全网最贴心的深度学习环境搭建指南不管你是集成显卡还是NVIDIA独显都能在这里找到正确的安装姿势。目录纠正一个致命的误区第一步看清你的显卡集显用户专属PyTorch CPU版安装 集显直接看第三步独显用户从零配置GPU环境4.1 安装NVIDIA驱动这一步必须对4.2 极简安装方案推荐90%的用户4.3 完整手动配置CUDA cuDNN开发者必看验证安装三行代码定乾坤常见大坑与排错指南结语一、纠正一个致命的误区很多刚入门的小伙伴看到标题“集显安装PyTorch GPU版”可能会一愣——集成显卡能不能用CUDA答案是不能永远不能。CUDA是NVIDIA公司推出的并行计算平台和编程模型只能在NVIDIA独立显卡GTX/RTX/Quadro/Tesla等上运行。如果你笔记本或台式机只有Intel核显或AMD集显那么很遗憾CUDA这条路走不通。但这不代表你不能用PyTorchPyTorch贴心地提供了CPU版本虽然没有GPU加速但学习、跑小模型完全够用。而且如果你有NVIDIA独显大部分游戏本和台式机都有那么恭喜你本文将手把手带你完成从零到完美GPU加速的全流程。所以本文的逻辑是先教你看清自己电脑是什么显卡集成显卡 → 走CPU版安装10分钟搞定NVIDIA独显 → 提供两条路极简pip安装无需手动装CUDA/cuDNN和完整手动配置适合需要nvcc编译、多版本管理的开发者看完这篇环境问题再也难不住你。二、第一步看清你的显卡在Windows下按下Ctrl Shift Esc打开任务管理器切换到“性能”标签页看左侧有没有“GPU 0”、“GPU 1”等。AMD的显卡不能安装GPU版本的pytorch除非是linux系统不在讨论范围如果看到“NVIDIA GeForce ...”字样说明你有NVIDIA独显继续看第三部分。如果只看到“Intel HD Graphics”或“AMD Radeon(TM) Graphics”没有NVIDIA字样那就是集显直接跳转到第三部分CPU版安装别犹豫。更准确的方法是命令行按Win R输入cmd打开终端确定执行nvidia-smi如果出现一个带显卡名称、驱动版本、CUDA版本信息的表格说明驱动已装且识别独显。如果提示“不是内部或外部命令”我这边是AMD显卡所以只能安装CPU版本即可 说明要么没有NVIDIA显卡要么驱动没装或没装好。别急接下来会覆盖。三、集显用户专属PyTorch CPU版安装确认自己只有集显后不需要折腾任何CUDA直接安CPU版轻量快速。安装Anaconda可选但推荐下载anaconda或者去 Anaconda官网 下载Windows安装包一路下一步勾选“Add Anaconda to my PATH environment variable”安上后在开始菜单栏通过Anaconda Prompt操作。安装完成后打开“Anaconda Prompt”。命令conda create -n pytorch_cpu python3.9 conda activate pytorch_cpu pip install torch torchvision torchaudio如果不使用conda直接用已经安装上的Python也行命令一样。pip install torch torchvision torchaudio验证import torch print(torch.__version__) # 应输出类似 2.x.xcpu print(torch.cuda.is_available()) # False正常看到False别慌这就是CPU版的特征。你可以愉快地开始学习了。CPU版本到此就结束后面别看了四、独显用户从零配置GPU环境成功跑起GPU版的关键在于驱动 → CUDA → PyTorch这三者的版本兼容。我见过太多倒在版本不匹配上的惨案所以这一节请认真看。4.1 安装/更新NVIDIA驱动打开 NVIDIA驱动下载页 根据你的显卡型号和系统选择驱动。如果不确定型号可以下个“GeForce Experience”自动检测。注意一定要安装Game Ready 驱动或Studio 驱动版本至少457.00以上实际上现在新驱动都500了基本都满足。安装时选择“自定义” → 勾选“执行清洁安装”避免旧驱动残留。装完后重启电脑再次打开CMD终端运行nvidia-smi应该能看到类似----------------------------------------------------------------------------- | NVIDIA-SMI 536.23 Driver Version: 536.23 CUDA Version: 12.2 | |---------------------------------------------------------------------------这里显示的CUDA Version: 12.2是驱动支持的最高CUDA版本不代表你安装了CUDA Toolkit只是告诉你驱动程序能支持的CUDA上限。我们接下来安装的CUDA Toolkit版本必须 ≤ 这个数字。例如图中是12.2那你可以装CUDA 12.2, 12.1, 11.8等但不能装12.3。4.2 极简安装方案无需手动CUDA/cuDNN原理PyTorch官方发布的pip包已经内部包含了所需的CUDA库和cuDNN我们只需一个合适的驱动再加上一条pip命令就能完成全部GPU环境。首先使用anaconda创建环境没有的下载anaconda安装一下conda create -n torch_gpu python3.9然后激活环境conda activate torch_gpu 然后安装带有CUDA的torch就可以了pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 后面的cu118就是下载适配CUDA11.8的 你要下载CUDA12.8的就把数字118改成128 现在新版本的几乎都已经更新到128版本了。搞定直接第五节验证。五、验证安装三行代码定乾坤无论你用的是极简方案还是完整手动打开Python确保在对应虚拟环境下输入python输入命令import torch print(torch.__version__) # 如 2.1.1cu118 print(torch.cuda.is_available()) # True 看到这个就是胜利恭喜你看完这篇文章你不仅搞清楚了集显和独显的区别还掌握了两种截然不同的PyTorch环境搭建方法。。如果这篇文章帮到了你希望能给个三连点赞收藏关注你的支持是我继续输出高质量教程的最大动力。
