安装完cuda之后安装pytorch

### 安装带有CUDA支持的PyTorch于Linux系统 对于希望在Linux环境下配置带有CUDA支持的PyTorch开发环境的用户而言，了解并遵循一系列特定步骤至关重要。确保计算机配备兼容NVIDIA GPU且已正确安装驱动程序是首要条件[^1]。 #### 验证硬件与软件需求 确认所使用的GPU型号及其对应的CUDA计算能力，并检查当前Linux发行版是否被官方CUDA工具包支持。这一步骤可通过访问NVIDIA官方网站获取最新信息[^2]。此外，还需注意不同版本间的兼容性问题，特别是Python、PyTorch以及CUDA之间应保持良好的匹配度以避免潜在冲突[^3]。 #### 获取合适的CUDA Toolkit 前往[NVIDIA开发者页面](https://developer.nvidia.com/cuda-downloads)，依据个人系统的具体参数（如操作系统类型、架构等），选取最适配的CUDA版本进行下载和安装。此过程中可能涉及到设置环境变量PATH和LD_LIBRARY_PATH以便让系统能够识别新安装的库文件。 #### 下载并安装PyTorch 为了获得最佳性能表现，在选择PyTorch版本时应当优先考虑那些已经预先编译好并对指定CUDA版本提供优化支持的二进制包。可以通过`pip`命令来简化这一流程： ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 ``` 上述命令假设目标平台为具有CUDA 11.7支持的设备；实际操作前需参照官方文档调整URL中的CUDA版本号至所需值。 #### 测试安装成果 完成以上所有准备工作之后，建议编写一段简单的测试脚本来验证PyTorch能否正常调用到GPU资源： ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") print(f"Current Device: {torch.cuda.current_device()}") print(f"Device Name: {torch.cuda.get_device_name(0)}") tensor = torch.randn((2, 2), device='cuda') print(tensor) ``` 如果一切顺利，则会看到类似于下面的结果输出： ``` CUDA Available: True Current Device: 0 Device Name: GeForce RTX 3080 Ti tensor([[...]], device='cuda:0') ```

### 使用 Anaconda 在 Ubuntu 20.04 上安装 CUDA 和 PyTorch #### 准备工作 确保已经成功安装了Anaconda3，并且能够正常启动，这可以通过终端中出现的`(base)`字样来确认[^2]。 #### 创建新的 Conda 环境并指定 Python 版本 为了更好地管理依赖关系以及避免不同项目之间的冲突，建议创建一个新的Conda环境而不是直接在基础环境中进行操作。这里选择Python 3.8作为目标版本： ```bash conda create --name pytorch_env python=3.8 ``` 激活新创建的环境： ```bash conda activate pytorch_env ``` #### 安装必要的库和工具 对于深度学习应用来说，除了PyTorch本身外，还需要一些常用的科学计算包如NumPy等。可以一次性完成这些软件包的安装： ```bash conda install numpy mkl cffi ``` #### 安装 CUDA 工具包 考虑到兼容性和性能优化的需求，在安装PyTorch之前应该先准备好合适的CUDA版本。由于具体的CUDA版本取决于硬件支持情况和个人需求，因此推荐访问[NVIDIA官方文档](https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html)获取最新指导信息。假设要安装特定版本（比如CUDA 11.x），则可按照以下方式操作： 下载对应版本的CUDA Toolkit压缩包后解压到合适位置，接着将CUDNN头文件与共享对象复制至系统路径下： ```bash sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h sudo chmod a+r /usr/local/cuda/lib64/libcudnn* ``` 注意：上述命令中的`cuda`应替换为你实际解压后的目录名称；如果使用的是其他版本号，则需相应调整路径中的版本部分[^4]。 #### 安装 PyTorch 并配置 GPU 支持 最后一步就是安装带有GPU加速功能的PyTorch框架。根据个人偏好可以选择稳定版或是预览版，此处以稳定版为例展示具体做法： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 此命令会自动解析并拉取所需的全部组件，包括但不限于PyTorch核心模块、图像处理扩展视图(TorchVision)，音频信号处理插件(Torchaudio)，还有匹配好的CUDA运行时环境(CUDA Tookit)。 验证安装成果： 一旦所有过程顺利完成之后，就可以通过简单的测试脚本来检验是否一切正常运作了。新建一个名为test_cuda.py 的Python 文件，内容如下所示： ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") if torch.cuda.is_available(): device = 'cuda' else: device = 'cpu' tensor_example = torch.tensor([1., 2., 3.], device=device) print(tensor_example) ``` 保存该文件并通过命令行执行它(`python test_cuda.py`)，观察输出结果即可判断整个流程是否有误。