在Jupyter里面安装torch的历程

### 如何在 Jupyter Notebook 中安装 PyTorch GPU 版本 要在 Anaconda 的 Jupyter Notebook 环境中安装支持 GPU 的 PyTorch，可以按照以下方法操作： #### 1. 创建并激活 Conda 虚拟环境 首先需要创建一个新的 Conda 虚拟环境来隔离依赖项。通过以下命令完成： ```bash conda create -n pytorch_env python=3.9 ``` 接着激活该虚拟环境： ```bash conda activate pytorch_env ``` #### 2. 安装 PyTorch GPU 版本 访问官方 PyTorch 官网 (https://pytorch.org/) 并根据操作系统、包管理器以及 CUDA 版本来获取适合的安装命令[^1]。例如，如果使用的是 Windows 操作系统，并希望安装带有 CUDA 支持的 PyTorch，则可以通过以下命令实现： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia ``` 上述命令会自动下载对应版本的 PyTorch 及其依赖库。 #### 3. 验证 PyTorch 是否正确安装 为了确认 PyTorch 已经成功安装并且能够检测到 GPU 设备，可以在 Python 解释器或者脚本中执行以下代码片段： ```python import torch print(torch.__version__) # 打印当前使用的 PyTorch 版本号 print(torch.cuda.is_available()) # 如果返回 True 表明 GPU 正常工作 ``` 当 `torch.cuda.is_available()` 返回 False 时，可能是因为未正确设置 CUDA 或者硬件不兼容等问题[^4]。 #### 4. 将新的 Conda 环境集成至 Jupyter Notebook 为了让 Jupyter Notebook 认识到刚刚创建好的 Conda 环境及其内部安装的内容，需先安装 nb_conda_kernels 包以便动态识别多个 conda envs： ```bash conda install nb_conda_kernels ``` 之后重新启动 Jupyter Notebook 即可看到新增加的 kernel 列表选项里包含了刚才建立起来的新环境名称(pytorch_env)[^3]。 #### 5. 测试 GPU 加速功能 最后一步是在基于指定内核运行的新建 Notebooks 文件里面尝试一些简单的张量运算以检验整个流程是否顺畅无误。比如下面这段演示如何利用 GPU 进行矩阵乘法计算的小例子： ```python device = 'cuda' if torch.cuda.is_available() else 'cpu' tensor_a = torch.rand((100, 100)).to(device) tensor_b = torch.rand((100, 100)).to(device) result_tensor = tensor_a @ tensor_b print(result_tensor.device) # 应显示 cuda:0 若一切正常的话 ```