Pytorch目前主要在学术研究方向领域处于领先地位。PyTorch可以使用强大的GPU加速的Tensor计算（比如：Numpy的使用）以及可以构建带有autograd的深度神经网络。

同时，PyTorch 的代码很简洁、易于使用、支持计算过程中的动态图而且内存使用很高效。

1. 当在用GPU跑一个pytorch的项目时，检查发现：

#cuda是否可用；
torch.cuda.is_available()

上述代码检查cuda是否可用，运行结果如下：

out：False

2. 然后我们打印一下当前版本的torch，到底下载的是CPU版本的还是GPU版本的

import torch
print(torch.__version__)

运行结果:

out: 1.7.1+cpu

+cpu表示当前torch的版本是CPU的。另外，也可以在你的anaconda目录下查看torch的版本，例如我的在

env目录下是你的环境，这里我的环境是叫d2l，如果不是在其他环境下那么就直接在miniconda/lib/site-packages中找到

torch-1.1.1+cpu.dist.info + c p u 表 示 C P U 版 本

torch-1.7.1+cu101.dist-info + cu101 表示 CUDA 10.1

3. 如果发现是cpu版本的torch，那么需要把当前的torch及torchvision删掉或者卸载

pip uninstall torch torchvision

4. 查看CUDA Version

NVIDIA-smi

可以看到我的当前CUDA版本是 12.8

5. 进入pytorch的官网下载对应cuda版本的torch和torchvision

​编辑PyTorchpytorch.org/

下面是打开后的页面（注意可能很卡，建议挂梯子），选择对应版本的系统，建议使用conda下载（比起pip，conda可以帮你把相关的其他安装包一并装上，还会考虑兼容性问题），语言“python”，computer platform选择对应版本的cuda，如果没有找到，点击左下角的“previous versions of pytorch”，里面有之前的各个版本

复制命令到anaconda 相应环境下运行：

7. 验证torch是否安装成功

import torch
print(torch.__version__)

显示出对应版本的torch就说明安装成功。

8. 接着，验证cuda到底能不能用

#cuda是否可用；
torch.cuda.is_available()

运行结果

out: True

问题解决！此时就可以用GPU来跑程序啦！