Windows10 + Anaconda + Pytorch-gpu版本安装教程

（PS：最近看了一篇深度学习的论文呢，其代码是基于Pytorch开发的，所以花了一天的时间来搞了这个环境配置终于搞定了… …）

1、安装CUDA + CUDNN

这里附上pytorch和CUDA版本号对应图片
在这里插入图片描述

我们准备安装pytorch 1.6.0版本

CUDA要求版本为10.2（附上下载链接：https://developer.nvidia.com/cuda-10.2-download-archive）

CUDNN要求版本为8.3.1 for CUDA 10.2（这个包下载可能会很慢，多试几次成功几率比较大，我试了差不多5、6次才成功下载下来）（附上下载链接：https://developer.nvidia.com/rdp/cudnn-download）

其他版本的链接：
1. cuDNN：https://developer.nvidia.com/rdp/cudnn-archive
2. CUDA：https://developer.nvidia.com/cuda-toolkit-archive

CUDA安装：就双击下载下来的包即可，选择自定义安装，把那个组件中的NVDIA GeForce Experience选项勾掉，其他默认即可，一路点下去就行。
CUDNN安装：CUDNN解压后有三个文件夹，分别为：bin include lib。解压后把这三个文件夹复制到CUDA安装的根目录即可。

安装完毕后，检查环境变量，然后打开命令行验证：

nvcc -V # 检查当前CUDA版本信息
nvidia-smi # 检查GPU驱动相关信息


运行几个相关的 exe
1. cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite
2. 运行bandwidthTest.exe
3. 运行deviceQuery.exe

下图是运行deviceQuery.exe的结果，这里我们发现驱动版本和运行时版本不一致的问题，我查阅了资料，结论是两个版本不强制要求一致，驱动版本和我们安装的显卡驱动版本相关，而运行时版本是对应着我们单独安装的CUDA，两者的关系需要满足 ‘驱动版本号 >= 运行时版本号’，否则可能会报错。
在这里插入图片描述

2、在Anaconda中创建pytorch的独立虚拟环境

# 首先打开Anaconda prompt 命令行窗口
# 创建新的独立虚拟环境，并设定python的版本
conda create --name pt-gpu python=3.7 # 官网要求python需要>=3.6
# 激活pt-gpu环境
activate pt-gpu
# 安装pytorch-gpu版本
pip install torch===1.6.0 torchvision===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple # -i 是指定使用清华镜像源，加快下载速度，注意最好不要修改版本


# 附上其他几个常用的命令
conda info -e # 查看当前都有哪些独立的虚拟环境
pip list # 查看当前虚拟环境中都安装了哪些包
conda remove --name 想要删除的环境的名字 --all

3、验证

在pt-gpu环境中打开python

输入

import torch

torch.__version__  # 输出pytorch版本信息

import torchvision

print (torchvision.__version) # 输出torchvision的版本信息

torch.cuda.is_available() # 输出True 说明CUDA可用