问题引领：
问题引领：我有GPU，有CUDA，但是却识别不到，情况如下：
看起来很慌，其实不用慌滴，很快既可以解决掉，听我细细道来：
这是由于当初配置虚拟环境的时候，安装的是CPU版本的PyTorch（直接pip，默认是CPU），所以应该安装CUDA 11.6版本的PyTorch （上图中显示我是11.6的），但是不能直接安装，因为我已经有了CPU的PyTorch，同时安装两种会冲突，而删去CPU版本的PyTorch很难，因为仅删除envs里面的文件夹是很不靠谱的，因此需要删掉整个虚拟环境，重新安装正确的PyTorch，步骤如下：
conda remove -n [虚拟环境名] --all
2. 创建虚拟环境
conda create -n [虚拟环境名] python=3.8
3. 激活虚拟环境
conda activate [虚拟环境名]
此时，在左面会出现括号，括号里是你刚才创建的虚拟环境名字（随便起，不用和我的一样哦~）
4. 换源
（博主找不到命令出处了，只剩图片了，我怕自己敲错，uu们自己敲叭~）
5. 安装CUDA 11.6的PyTorch
安装pytorch可以自己找源下载，也可以去官网，博主有强迫症，就去官网了，拍个链接：
https://pytorch.org/get-started/locally/
然后根据自己的需要，选择合适的版本就好了，我选的是pip，因为选conda会有个NOTE，怕出问题，就选的NOTE，因为刚才换源了，再加上我用的热点，直接起飞了（之前需要47小时~，现在只需要1分钟）：
6. End
然后可以根据自己的需求安装其他的包即可.
注意：pip install的时候不能开代理！！！！
附：为什么大家都用Anaconda?
Anaconda是一个Python发行版本，其包含了conda、Python等180多个科学包及其依赖项，它是科学计算领域非常流行的Python包以及集成环境管理的应用。它的优势主要表现在以下几个方面：
默认可以帮你安装好Python主程序，而不用单独下载安装。
常用的数据工作包，包含数据导入、清洗、处理、计算、展示等各个环节的主要包都已经安装好，如Pandas、Numpy、Scipy、Statsmodels、Scikit-Learn（sklearn）、NetworkX、Matplotlib等。常用的非结构化数据处理工具也一应俱全，如beautifulsoup4、lxml、NLTK、pillow、scikit-image等。
很多包的安装有依赖，这点在Linux系统上非常常见，而Anaconda已经将这些依赖的问题统统解决。尤其在离线环境下做Python和大量库的安装部署工作时，Anaconda大大降低了实施难度，是项目开发过程中必不可少的有效工具。
提供了类似于pip的包管理功能的命令conda，可以对包进行展示、更新、安装、卸载等常用操作。当然，如果你更喜欢pip，仍然可以继续使用该命令，因为Anaconda默认也安装了该命令。
多平台、多版本的通用性，而且紧跟Python主程序更新的步伐。Anaconda支持Windows、Mac OS和Linux系统，且同时包含32位和64位的Python版本（Python 2和Python 3全都支持）。
提供了IPyton、Jupyter、Spyder交互环境，可以直接通过界面化的方式引导用户操作，易用程度非常高，甚至连具体细分的学习资源都准备好了。
