PyTorch安装全攻略：GPU版与CUDA/CUDNN搭配指南

"本教程详细介绍了如何在GPU环境下安装PyTorch，包括确认和匹配PyTorch、torchvision、Python、CUDA和cuDNN的版本，以及分步骤安装CUDA、cuDNN和离线安装PyTorch的流程。" 在进行PyTorch的安装时，确保所有依赖项的版本兼容至关重要。PyTorch、torchvision、Python、CUDA和cuDNN之间的版本必须对应，以避免可能出现的兼容性问题。在开始安装前，建议先在官方网站或社区发布的版本对应表中查找适合你当前硬件和软件环境的最佳版本组合。 1. CUDA安装： - 访问NVIDIA官网，选择适合你GPU型号和操作系统的CUDA版本下载。 - 安装过程中，你可以选择默认路径或自定义路径，并配置系统环境变量，确保`nvcc`编译器的路径被添加到PATH变量中。 - 安装完成后，通过运行`nvcc -V`命令来验证CUDA是否安装成功。 2. cuDNN安装： - 在NVIDIA官网注册后下载与CUDA版本匹配的cuDNN文件，解压缩并将库文件复制到CUDA安装目录下的相应位置。 - 添加cuDNN库的路径到系统环境变量PATH中，以便系统能够找到这些库文件。 - 完成后，同样可以通过验证环境变量来确认cuDNN是否正确安装。 3. 离线安装PyTorch： - 由于网络问题可能导致在线安装失败，可以访问清华大学镜像站下载离线安装包。 - 下载对应GPU版本的PyTorch和torchvision安装包，例如：pytorch-1.8.0-py3.7_cuda11.1_cudnn8_0.tar.bz2和torchvision-0.9.0-py37_cu111.tar.bz2。 - 使用conda的离线安装命令安装这两个包，例如：`conda install --offline pytorch-1.5.1-py3.7_cpu_0.tar.bz2` 和 `conda install --offline torchvision-0.6.0-py37_cpu.tar.bz2`。 - 安装过程可能因文件大小而需要较长时间，安装完毕后，可通过运行PyTorch和torchvision的相关代码来测试安装是否成功。 通过以上步骤，你可以在你的系统上成功安装PyTorch并利用GPU进行深度学习计算。在安装过程中，确保遵循每一步的指导，并随时查阅官方文档以获取最新信息和解决可能遇到的问题。