目录
PyTorch安装
上篇文章安装了CUDA和cuDNN，还没有安装的可以参考：如何调用GPU训练模型【详细教程1】——CUDA和cuDNN的安装
https://blog.csdn.net/weixin_45206129/article/details/130319783?spm=1001.2014.3001.5501
至此，进行最后一步，PyTorch的安装，还记得最开始打开的Pytorch网站吗：PyTorch
选择刚才安装的CUDA版本（11.8），对应的安装命令如下：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
or
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
该安装指令要在Anaconda的虚拟环境下运行，以上两个指令皆可，可能会失败，多试几次，失败了就换一个。
安装时踩的坑
重点来了！我在尝试安装cuda11.8的PyTorch时，无论使用conda还是pip，都按照不成功，提示找不到对应版本的资源，且各种镜像和官方源都不可，后来换成cuda11.7成功，（个人猜测应该是官方库的cuda11.8丢失了）
以下为cuda11.7的安装指令：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
or
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
安装11.7cuda的Pytorch后，将CUDA降级（重新安装11.7版本，再次拷入cuDNN）。
提升安装速度的方法
在这里再分享另一个安装方法，我是使用pip安装的，虽然能与官方库联通，但是下载速度很捉急（20kb/s），可以分析一下上述的安装指令：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
- pip3 install：安装指令的意思
- torch torchvision torchaudio：分别为要安装的三个包
- --index-url https://download.pytorch.org/whl/cu117：寻找安装包的路径
可以看出，我们安装完整的pytorch，要安装三个包【torch、torchvision、torchaudio】
因此我们可以打开命令行页面，每次单独执行一个包的安装，例如：
pip3 install torch --index-url https://download.pytorch.org/whl/cu117
如果正常联通，开始下载，会显示下载包的完整名字， 但是下载速度很慢，这时将包名记录下来，将进程结束掉，去到上面的--index-url后面的网站，找到对应包，手动下载，速度会快很多。
手动下载好后，放到一个自己能找到的目录，打开anaconda prompt，激活虚拟环境，cd进入到存放包的盘符，cd进入目录，使用pip install xxxxxxxx.whl进行安装，这里要替换为你的包名。
于我个人经验来说，三个包只有torch的安装比较慢，因为比较大， 可以手动下载安装；其余两个用pip指令直接安装即可。安装完成后，pip list可以看到如下三个包（torchcrf不是此次安装的）：
检验安装结果
三个包都安装好，没有问题后，可以进行一下检验，检验主要是两方面：
（1）PyTorch是否可以被引用 （2）是否可以调用显卡进行计算
首先来检测PyTorch是否可以被引用，在Python Console输入import torch并回车，如果不报错，即为正常引用：
之后再分别输入print(torch.__version__)和print(torch.cuda.is_available())来查看Pytorch版本，以及是否可以调用GPU：
可以看到分别显示 1.13.1+cu117 和 True，代表版本是1.13.1，且是cuda11.7版本的，如果是cpu版本这里会不显示cu117而是cpu；True代表GPU可以被调用，如果是False，可能是因为CUDA安装不正常或是PyTorch没有下载正确，逐层逆推回去查找原因。我把代码贴在下方，方便大家复制
import torch
print(torch.__version__)
print(torch.cuda.is_available())至此CUDA+cuDNN以及PyTorch的安装已经全部结束，理论上可以进行模型训练，之后我会再发一篇如何通过修改代码来调用GPU进行训练
希望能对你有所帮助！