目录

1、查看自己的驱动版本，并下载对应的CUDA、CUDNN。

2、官网下载CUDA、CUDNN

3、把系统下的CUDA的bin目录写入当前环境的PATH（在 Anaconda Prompt已激活的环境中执行）

4、下载PyTorch（下载与cuda适配的PyTorch版本）

5、把GPU环境注册成独立内核

6、返回jupyter notebook，点击Kernel→Change Kernel→选择刚刚注册好的“Python (torch+GPU)”

1、查看自己的驱动版本，并下载对应的CUDA、CUDNN。

方法一：桌面右键找到NVIDIA控制面板，打开后点击系统信息

方法二：打开cmd，输入nvidia-smi

2、官网下载CUDA、CUDNN

（这是我下载的版本）

参考：

https://blog.csdn.net/qq_40647372/article/details/134940429?fromshare=blogdetail&sharetype=blogdetail&sharerId=134940429&sharerefer=PC&sharesource=m0_74265922&sharefrom=from_link

3、把系统下的CUDA的bin目录写入当前环境的PATH（在 Anaconda Prompt已激活的环境中执行）

# 改成自己下载的版本 set "CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5" set "PATH=%CUDA_PATH%\bin;%CUDA_PATH%\libnvvp;%PATH%"

执行完成后输入以下两条命令确认是否能被找到

where cudart64_110.dll where cudnn64_8.dll

4、下载PyTorch（下载与cuda适配的PyTorch版本）

pip install torch==1.11.0+cu115 torchvision==0.12.0+cu115 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu115

5、把GPU环境注册成独立内核

conda activate pytorch-gpu # 你的 GPU 环境名 pip install ipykernel python -m ipykernel install --user --name pytorch-gpu --display-name "Python (torch+GPU)"

6、返回jupyter notebook，点击Kernel→Change Kernel→选择刚刚注册好的“Python (torch+GPU)”