安装GPU版本的Pytorch-蕴含“三”之妙道（时短，力少，效高）

前言

Pytorch作为深度学习入门的一个框架，十分适合初学者入门，但是很多新手总会在安装相关环境的时候遇到各种难题，无法下载，下载速度慢，版本不兼容等情况，往往费时费力最后都不一定能下好，在这里我总结了下载安装的详细步骤，以及可能会遇到的问题，来供大家参考。

值得注意的是，这种方法与网上大多数教程不太一样，是基于Pycharm自带的虚拟环境，但最后的结果是一样的，而且更加省时省力，且无需科学上网。
主要有以下步骤：

安装Pycharm（该步骤可参考网上专门教程）
新建一个venv虚拟环境
pip命令详解及修改加速
GPU版本Pytorch本体包下载
cuda及cuDNN下载
检验是否安装成功

事不宜迟，让我们开始吧。

Pycharm自带的venv虚拟环境

什么是虚拟环境

在新建第一个虚拟环境之前，我希望通过一个简单的比喻来介绍一下到底什么是虚拟环境。

如果把一个Python项目比作一项工作的话，那么虚拟环境就可以看作工作用的房间，每个房间都有自带的相同的基础家具（Python自带库），而你安装的第三方库，就可以看作是额外购买的，对进行这项工作有用的工具或设施。

而为什么每个不同的工作项目分别需要自己独立的房间呢？（虚拟环境的优点）

因为不同工作所需要的工具或设施可能会互相影响。比如上一项工作中，你在房间里引入了面粉，而如果进行别的工作，还用原本的旧房间，那么房间里的面粉还在，而这项新工作又需要引入蜡烛类的工具，那么明火遇到粉尘，就可能引起爆炸（粉尘爆炸）,最后导致工作失败，而如果新建一个房间，没有之前工作留下的不相关的工具，那么就不会出现这种情况。

不同虚拟环境的选择

有很多管理虚拟环境的软件，比如网上大多数教程推荐使用的anaconda，就是一款可以建立Python虚拟环境与安装第三方库的工具。
不过我在这里推荐使用Pycharm自带的venv虚拟环境，相比之下，它的优点如下：

无需安装新软件，节省内存（anaconda将近10G）
编程与安装第三方库在同一界面，方便操作
可以根据需求清单一次性安装多个第三方库，无需一个个安装

所以，本教程将采用venv管理虚拟环境，接下来开始介绍到底如何用它安装Pytorch这个工具。

新建一个vnev虚拟环境

图中红蓝线所示代表随项目新建了一个虚拟环境

值得注意的是，在Pycharm中每次新建一个项目的时候，默认会自动新建一个venv虚拟环境与新项目绑定，当然，你可以选择已有的虚拟环境来与新项目绑定，以此来使用已有虚拟环境中的已安装的第三方库，而不用在新环境中再安装一遍。

不过并不推荐这样做，为了防止冲突（粉尘爆炸）。

此外，你还要记住这个项目的文件位置，之后要用到。

pip工具的使用

什么是pip工具

pip是Python自带的一个管理第三方库的工具，可以通过一些简单的命令方便地为一个虚拟环境安装/更新/卸载第三方库。

如果想要直接在Pycharm中安装Pytorch框架，这个工具必不可少，好在无需我们自己下载，Pycharm的默认新的虚拟环境都自带了这个工具包，可以直接使用

pip命令的基本使用方法

使用pip命令的方法有很多种，在这里我只介绍一种，直接在Pycharm中的终端进行使用，如下图所示： Pycharm终端
接着在弹出的对话框中就可以直接使用pip命令了。
在这介绍安装第三方库的基本语法（所有命令最后按回车键执行）

安装第三方库，可以指定版本（默认为最新版本）
```
pip install 第三方库名==版本号
```
例子：
```
pip install pandas==2.20.3
```
更新第三方库版本（默认到最新版本）
```
pip install upgrade 第三方库名
```
查看虚拟环境中已安装的库
```
pip list
```

加速pip命令安装第三方库的速度

在新手使用pip命令安装第三方库的时候，最容易遇到的问题就是，下载安装速度太慢了，而且很容易下到一半结果直接就失败了，最后导致无法安装第三方库。

究其原因，就是pip命令下载第三方库的源头网址是在国外，因此在国内下载就会很慢而且易失败，所以解决的办法就是将pip命令的默认下载源换成国内的镜像源，不仅下载的第三方库是一样的，而且速度更快。

具体方法如下：
1. 找到C:\Users\<用户名>\pip文件夹
由于有些电脑会隐藏这个文件夹，所以最快的方法是按快捷键win + R弹出如图窗口并输入%appdata%：

在弹出的文件窗口中找到名字为pip的文件夹，如果没有就自己创建一个。
点进去之后再新建一个名为pip.ini的文件（可以先建一个文本文件，然后改扩展名，如果无法改扩展名，是电脑默认隐藏了，可以在文件窗口上方偏下的位置找到查看>显示>勾选文件扩展名）

打开这个pip.ini文件，复制以下内容粘贴到文件中

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

最后一定要保存，然后就成功换源了。
之后你再尝试在Pycharm中的终端使用pip命令安装第三方库就更快且成功率更高了。

安装GPU版本的Pytorch本体

本节是整篇教程的重点，也是与大部分教程有些不同的地方。

接下来，就要开始安装本体了，在此之前，先做一些预备工作。

打开Pytorch官网

要安装gpu版本的Pytorch，需要打开Pytorch官网，链接如下：
Pytorch官网

打开之后，在首页往下翻一段距离，会有如下界面：
安装Pytorch
其中红框内的就是不同版本的Pytorch可选择的安装版本，官网会自动为你推荐一个安装版本。
其中红箭头所指的就是与你的电脑显卡CUDA版本有关的选项，想要知道自己电脑的显卡版本，可以按如下步骤操作：

打开命令行（可以win+R然后输入cmd）
在命令行中输入nvidia-smi,回车如下图所示，红框内为你电脑的cuda版本。
接着我们回到Pytorch官网，在选择CUDA版本那块，你只要选择比你电脑CUDA版本更低的版本就行，比如自己电脑的版本为12.7，那么Pytorch的CUDA版本就可以选择11.8，12.1，12.4都可以。

接着在最后一行你会看见一个pip命令，那是官网自动生成的pip安装命令，只要直接把它复制到Pycharm的终端里，就可以自动安装Pytorch了，不过在正式安装前，我们需要再做一些准备工作。

离线安装Pytorch中体积最大的从属第三方库+在线安装剩余第三方库

虽然我们在之前已经给pip命令换了一个国内的下载源，但是使用此命令下载Pytorch的速度还是非常的慢，甚至需要几个小时，中途还很容易失败，所以在这里我推荐采用离线安装和在线安装结合的方法来下载Pytorch。

首先，我来介绍什么是从属第三方库，在安装一个第三方库的时候，你有时会发现，自己明明只安装了一个第三方库，虚拟环境中却多出来很多你没安装的库，这些就是从属第三方库，用来辅助你打算安装的库，来完善整体功能。

而Pytorch也有很多从属第三方库，其中体积最大的库就是torch库了（2G以上），它是我们安装速度慢的罪魁祸首，而其他的库都比较小，安装起来也快。于是，我们可以用以下步骤来缩短安装时间：

先将torch库的本体文件单独从官网上下载（可以用迅雷下载，比pip命令直接安装快得多）
下载地址形如：
https://download.pytorch.org/whl/cu121/torch-2.4.1%2Bcu121-cp311-cp311-win_amd64.whl
其中cu121对应CUDA12.1（注意有两个cu121,更改版本都要改），torch-2.4.1对应torch库本身版本，可以根据你想下载的版本对应修改下载地址，然后直接在浏览器上下载或者用迅雷下载。
将此文件（文件扩展名为whl）放到Pycharm项目文件夹下（就是你创立的用于安装Pytorch的项目的文件位置）
在Pycharm终端输入以下命令：
```
pip3 install 此文件名
```
例如：
```
pip3 install torch-2.4.1%2Bcu121-cp311-cp311-win_amd64.whl
```
这里离线安装要快得多，无需等待几个小时的时间
输入Pytorch官网自动为你生成的pip安装命令，用于安装剩余的从属第三方库（该命令会先检测要安装的库是否存在，如果已安装好了就自动跳过，所以不会再把torch库安装一遍）

等待一段时间后，当出现某行话，含有Successfully的字眼的时候，就代表你成功了。

至此，安装Pytorch最容易遇到问题的一步完成了，接下来的步骤虽然仍然有些复杂，但是不会再出现下载速度过慢，下载失败等让人一筹莫展的情况了。

CUDA及cuDNN的下载安装

什么是CUDA和cuDNN

简单来说，两者都算是一种加速器，正确安装之后可以提高Pytorch在gpu（独立显卡）上的运行效率，所以对于深度学习的入门来说，有着不可或缺的作用。

两者都是英伟达推出的配合深度学习及Pytorch相关软件，如果不安装CUDA和cuDNN，PyTorch-GPU将无法正常工作。
因此我们需要安装这两个软件来使得我们的Pytorch可以正常运行。

安装CUDA

首先我们需要安装CUDA。具体步骤如下：

打开下载官网
官网地址：CUDA Toolkit Archive
根据自己的电脑CUDA版本来选择对应的CUDA版本（之前在安装Pytorch的时候已经知道了自己的CUDA版本）
只需要选择比自己电脑CUDA版本低的安装即可，如下图（以12.4.0为例）：
按照如图安装对应安装包

下载好后，双击安装包进行安装，可以安装在自定义的目录文件夹下，但是这里推荐安装时使用精简模式，（因为之后要用到CUDA的安装目录，如果自定义的话，需要记住CUDA的安装目录）接着就根据指示，全部都跟着默认的指导一步步往下安装，最后等待一段时间后就安装成功了。
检验是否成功安装了CUDA
查看是否安装成功，在命令行(win+R然后输入cmd)输入以下指令进行检查。
```
nvcc  -V
```

请添加图片描述
出现与上图类似的输出就证明安装成功了。

安装cuDNN

终于，我们来到了最后一步，这也是较为复杂的一步，安装cuDNN，但是虽然较为复杂，但只要一步步慢慢来，却不是大问题。

官方地址：cudnn

如图为首页：
重要提醒：安装cuDNN需要先登录官网，如果不登陆就不会显示下载链接（点击右上角join in，再通过电子邮箱一步步注册或登录）
登录完成后，就点击图中红圈所示内容
cudnn首页
按照红圈所示一步步点击，最后会下载一个压缩包。（注意最后一个红圈，对应你的电脑CUDA版本，如果是11.开头就点11，如果是12.开头就点12）
cuDNN下载完成后
下载完压缩包并解压后，你会得到以下三个文件夹：

请添加图片描述
注意画红圈的三个文件夹，接下来的步骤是关键：

一个个分别复制其中的一个文件夹（以先复制bin文件夹为例）
找到当初安装CUDA的位置（如果是默认安装位置的话，直接根据以下步骤走，如果是自定义位置安装的话，以下所有文件位置都要换成你自定义的安装位置）
打开默认安装位置 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3（最后一个文件夹是你的CUDA版本，不同版本路径不同），你会看到下图：
接着把之前复制的bin文件夹粘贴到对应的同名文件夹中（例如，你需要点开上图中的bin文件夹，在该文件夹里面粘贴之前在cuDNN里复制的bin文件夹，如果之前复制的是include文件夹就粘贴到上图include文件夹中）
重复以上步骤，直到三个文件夹都被粘贴到了各自的同名文件夹中
最后一步，配置环境变量（仅适用于CUDA安装在默认安装位置的情况）
注意：其中包含了你CUDA（不是电脑的cuda版本，而是你安装的cuda文件目录的版本，例如v12.3）的版本，使用时要将所有文件路径对应修改成你CUDA安装路径
打开命令行（win + R然后输入sysdm.cpl）会出现如图所示，依照红圈一步步点击：

请添加图片描述

点击新建来添加环境变量：

复制以下路径到环境变量中(如果是自定义安装需要改成相应的安装路径)
（注意！注意！注意！ 以下文件路径一定要与你的CUDA中那三个文件夹加一个libnvvp文件夹的文件路径一致！其中v12.3代表CUDA版本，根据自己的版本对应修改，接着需要一个一个的添加）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\bin	
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.3\libnvvp

最后都新建完成后，需要点击三个确定（之前弹出的那三个窗口中的确定）才能保存你添加的环境变量。
至此，所有操作完成之后，就要进行验证是否成功安装Pytorch-GPU了。

验证Pytorch是否正确安装

打开我们的Pycharm，然后新建一个python文件，在里面输入以下内容：

import torch
from torch.backends import cudnn

print(torch.__version__)               # 输出Pytorch版本
print(torch.version.cuda)              # 输出cuda版本
print(torch.cuda.is_available())       # 输出为True，则cuda安装成功
print(torch.backends.cudnn.version())  # 输出cuDNN版本
print(cudnn.is_available())            # 输出为True，则cuDNN安装成功

若是依次输出以下内容，就证明你整体安装成功了。

2.3.1+cu121  # 你的Pytorch版本
12.1		 # 你的cuda版本
True  
8907		 # 你的cuDNN版本
True

尾声

Pytorch的安装对初学者来说，总体比较复杂，在这里我尽量用较不易失败的方法来配置整体环境，避开几个可能会失败的地方，虽然仍然有些复杂，但总体上是否有做到那“三"之妙道呢，又或许时不短，力不少，效不高呢？

最后成功安装Pytorch，我们就可以开始进入深度学习的学习了。

（本文章若有不足或错误之处，希望大家反馈，我会及时修改）

标签：力少,时短,Pytorch,虚拟环境,CUDA,版本,pip,安装
From： https://blog.csdn.net/2301_79225008/article/details/142851031