1.更新NVIDIA显卡驱动：

深度学习建议使用独立显卡的电脑，当然也有CPU版本的pytorch框架

显卡驱动下载地址：

https://www.nvidia.com/Download/index.aspx

安装好之后，打开cmd窗口，键入nvidia-smi命令，结果如下：

 

更新驱动后，驱动版本号为522.06

2.下载CUDA ToolKit

根据CUDA版本对windows版本的驱动要求，CUDA版本只能使用11.x系列；

1. Why CUDA Compatibility — CUDA Compatibility r555 documentation

CUDA Toolkit Archive | NVIDIA Developer

下载完毕后，点击下一步安装即可。

建议使用默认安装目录

安装完毕后，cmd窗口键入nvcc --version，如下，出现我们安装的版本，成功。

 

3.安装CUDNN

下载与CUDA ToolKit匹配的CUDNN，选择一个满足要求最新的版本。

CUDNN下载地址：

https://developer.nvidia.com/rdp/cudnn-archive

 

解压下载好的.zip文件，得到如下文件：

 

将这三个 文件夹下的文件 拷贝到CUDA ToolKit安装路径 对应文件夹下去 ，默认安装路径如下：

到这里CUDA ToolKit和CUDNN就弄好了。

 

4.安装Anaconda

 

下载地址：

https://www.anaconda.com/download

输入邮箱后，submit ：

安装完毕后，进入Anaconda Prompt，如下图：
 

 

在Prompt终端输入 python --version 查询当前python版本.

 

创建环境，所有项⽬都依赖⼀个虚拟环境（不建议不同项⽬混⽤环境，容易出现不兼容的问题），我们使⽤conda指令进⾏环境的搭建和配置。

⾸先，打开 prompt（Macos中是终端），也就是上⼀步骤。

然后输⼊以下指令：创建环境，环境的名字叫做 torch.

conda create -n torch 位置在/envs/torch

激活当前环境，从base环境切换到刚创建好的名为‘torchʼ的环境。使⽤如下指令：conda activate torch

如上图，从base变成torch，表明环境切换成功。

 

 

5.安装PyTorch
 

下载地址：

https://pytorch.org/

 

如上图，执行以下指令完成安装。
 

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

使用管理员权限打开anaconda Prompt，再执行即可：

有关conda的相关指令请收好，必有⼤⽤

conda的环境管理

conda info -e 查看当前已安装的环境

conda create -n name python=3.8 添加3.8版本的Python环境 位置在/envs/name

conda activate name 切换到 name 环境

conda deactivate 返回默认的Python环境

conda remove -n name --all 删除已安装的Python环境

conda create -n name2 --clone name1 克隆⼀个环境name2

=============================

conda的包管理

conda list 查看当前环境下已安装的包

conda list -n name 查看指定环境的已安装的包

conda search 某包 查找某package信息

conda install -n name selenium 指定环境安装package，不加-n则安装在当前

活跃环境

conda update -n name selenium 指定环境更新package，不加-n则更新在当前

活跃环境

conda update --all 更新所有包

conda remove -n name selenium 删除package，不加-n则删除在当前活跃环境

 

6.安装VSCode

Visual Studio Code - Code Editing. Redefined

安装完毕，切换成第五步的torch环境。

How to Install PyTorch in Visual Studio Code | PyTorch in VSCode (2024)

新建目录，用vs code打开； 创建一个python的文件，IDE自动跳出解释器的选择项；选择anaconda中的python即可。

选择对应的pyhon后：

测试GPU的pytorch环境

在main.py中键入以下代码，运行。

import torch

print(torch.__version__)

print('gpu', torch.cuda.is_available())

正常输出结果，恭喜你，即基于pytorch的深度学习环境搭建完毕。