Windows10下安装GPU环境Cuda和Pytorch教程图解

admin管理员组

文章数量:1533855

目录

一、背景介绍

二、检查自己的电脑是否有GPU及显存大小

三、检查自己电脑显卡支持安装的cuda版本

四、Python、Pytorch和CUDA版本对应关系

五、CUDA下载

六、CUDA安装

七、检查cuda是否安装成功

八、多个cuda安装

九、Anaconda创建虚拟环境

十、安装Pytorch框架

十一、TensorFlow框架对开发环境要求的版本匹配图

十二、小结

一、背景介绍

        在深度学习和高性能计算领域，利用GPU进行计算已经成为提升效率的关键手段。CUDA是NVIDIA推出的并行计算平台和编程模型，它使得开发者能够利用NVIDIA GPU的强大计算能力。同时，PyTorch作为一个广泛使用的深度学习框架，以其易用性和灵活的动态计算图受到了研究人员和开发者的青睐。

        为了在Windows10系统上充分利用GPU进行深度学习训练，需要正确安装和配置CUDA和PyTorch。本教程将通过详细的图解步骤，指导你如何在Windows10环境下安装CUDA和PyTorch，确保你的系统能够成功调用GPU资源进行高效计算。无论你是深度学习新手还是经验丰富的开发者，这篇文章都将为你提供全面的参考，让你快速开始GPU加速的深度学习之旅。

二、检查自己的电脑是否有GPU及显存大小

        鼠标右击电脑最下方任务栏，选中“任务管理器”选项，即可打开任务管理器，再点击“性能”，如下图：

         如上所示，我本地电脑的显卡是NVIDIA GTX 1060 6G显存GPU 。

三、检查自己电脑显卡支持安装的cuda版本

 进入终端，输入命令nvidia-smi

四、Python、Pytorch和CUDA版本对应关系

        以下是一些常见的Python和PyTorch版本对应关系。请注意，随着时间的推移，版本可能会有所改变，因此在使用时请务必查阅最新文档以获取准确的信息。

请注意，Python 2.x 分支在2020年已经停止维护，因此强烈建议使用Python 3.x 版本。

pytorch 和 torchvision 版本都很多，其对应表格如下：

 

五、CUDA下载

英伟达官网下载链接：CUDA Toolkit Archive | NVIDIA Developerhttps://developer.nvidia/cuda-toolkit-archive（注：网站不稳定，科学上网）

打开该网址，即可看到若干版本的cuda，可自行选择对应版本下载：

        我现在本地安装的虚拟环境为Python3.8,Pytorch拟定安装1.9版本，根据上面的Python、Pytorch和CUDA版本对应关系，我需要下载CUDA11.1的版本

点击选择CUDA Toolkit 11.1.0，跳转到新的界面，再选择配置，下载安装包

六、CUDA安装

1）双击已下载好的cuda_11.1.0_456.43_win10.exe程序：

2）接着，跳转到以下界面，点击“同意并继续”

 3）选择精简安装，再点击下一步（也可以自定义安装）：

4）安装结束，点击下一步

七、检查cuda是否安装成功

系统的高级环境变量已经自动添加了。

终端测试，输入命令nvcc -V：

如上图所示，windows环境下安装cuda11.1版本安装成功。

八、多个cuda安装

        由上图系统环境变量中，可以看到，在安装之前，我已经安装过cuda11.7版本，此次再安装cuda11.1版本没有产生冲突。

        实际上，当我们在部署多个AI项月时，常常会需要多个python环境，虽然Anaconda能够解决大多数项目所需的不同环境，但是对于环境跨度较大所需CUDA版本不同的项目显然Anaconda就不能很好的解决，这时我们就需要在自己的电脑上同时配置多个版本的CUDA开发环境，这样就不需要频繁的更换不同环境的电脑，因此本文也是在详细介绍如何在win10系统上的电脑安装多个版本CUDA开发环境。

        如需在多个cuda环境中切换，可以调整环境变量中的位置顺序。在使用的时候只需要调整系统环境变量即可快速的进行cuda版本之间的切换，系统会先识别排在前面的cuda版本。

九、Anaconda创建虚拟环境

1）打开Anaconda Prompt，使用命令conda env list查看本地的虚拟环境

2）创建虚拟环境并指定Python版本（执行前先添加清华镜像源）

conda create --name pytorch_env python=3.8

输入y，确认安装：

3）激活虚拟环境activate pytorch_env，并查看Python版本

十、安装Pytorch框架

CPU 版本安装：

# Linux
pip install torch==1.9.0+cpu torchvision==0.10.0+cpu torchaudio==0.9.0 -f https://download.pytorch/whl/torch_stable.html
# Mac & Windows
pip install torch torchvision torchaudio

GPU 版本安装：（默认 CUDA 11.1 版本）

# Linux & Windows
pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch/whl/torch_stable.html

        我们只需要将上面的命令复制到计算机的命令行当中，即可实现快速安装。

        这里有两个版本，一个 GPU 版本，一个 CPU 版本。建议最好选择安装 GPU 版本，也就是说我们的硬件设备中最好有英伟达独立显卡。用 GPU 训练深度学习模型是非常快速的，所以在实际项目中都是使用 GPU 来训练模型。

        但是如果说大家手里没有供开发使用的英伟达 GPU 显卡的话，那么安装 CPU 版本也是可以的，在学习过程中，CPU 也足够让我们的小实验运行起来。另外，安装 GPU 版本前，需要安装对应版本的 CUDA 工具包。上面介绍到，可以到英伟达官网，选择相应操作系统的 CUDA 工具包，进行下载与安装。

其他方法安装Pytorch:

        进入PyTorch 的官网，在页面如下图所示的位置，我们可以看到有一些配置选项和安装命令。

        值得注意的是，Mac 的操作系统只能安装 CPU 版本。我尝试下来最简单的方式，还是使用 pip 来安装。这里执行命令：

pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch/whl/torch_stable.html

感觉有点小慢……试了还几次，一定要用有线网……否则容易超时安装失败。

也可以去Pytorch官网去下载对应的whl安装包，链接：

https://download.pytorch/whl/torch_stable.htmlhttps://download.pytorch/whl/torch_stable.html 先下载再安装。

验证是否安装成功

        在终端中输入“python”，就可以进入到 Python 交互模式。输入如下代码，如果没有报错，就意味着 PyTorch 已经顺利安装了

import torch
print(torch.cuda.is_available())

       如果结果为True，则说明Pytorch安装成功。

       如果为False，则说明自己电脑上对应cuda版本可能和torch、torchvision版本文件不一致。

对于这个问题，我们依次按照下面的步骤进行检查。

1）检查计算机上是否有支持 CUDA 的 GPU。

2） 检查显卡驱动版本。在终端中输入“nvidia-smi”命令，会显示出显卡驱动的版本和 CUDA 的版本。

帮你梳理了 CUDA 版本与 GPU 驱动版本的对应关系，你可以根据自己计算机驱动的情况对照查看。例如，CUDA 11.1 支持的 Linux 驱动程序是 450.80.02 以上。

3）检查 PyTorch 版本和 CUDA 版本是否匹配

十一、TensorFlow框架对开发环境要求的版本匹配图

CPU环境：

GPU环境：

十二、小结

        在本篇博客中，详细介绍了在Windows 10下安装GPU环境CUDA和PyTorch的教程，并通过图解方式逐步指导读者完成整个安装过程。首先，从检查自己电脑是否具备GPU以及显存大小开始，确保系统硬件满足安装要求。随后，介绍了如何检查自己电脑显卡支持安装的CUDA版本，以及Python、PyTorch和CUDA版本之间的对应关系，为后续安装做好准备。

        接着，详细介绍了CUDA的下载和安装步骤，并提供了检查CUDA安装是否成功的方法，以确保安装过程顺利完成。此外，还介绍了多个CUDA版本的安装情况，为读者提供了更多选择和灵活性。

        最后，介绍了如何安装PyTorch框架，并提供了TensorFlow框架对开发环境要求的版本匹配图，帮助读者更好地理解不同框架的版本兼容性。

        通过本教程，读者可以轻松地在Windows 10系统下配置GPU环境，为深度学习和高性能计算提供强大的计算支持。希望本教程能够帮助到大家，让大家顺利完成环境配置，享受GPU加速带来的高效计算体验。

本文标签： 环境教程GPUCUDAPytorch