Windows系统PyTorch环境配置

0、前言

• 深度学习为什么要配置GPU？
  • GPU（图形处理单元）最初是为图形渲染而设计的，它们擅长处理大量并行计算任务。深度学习模型，特别是卷积神经网络（CNN）和循环神经网络（RNN），在训练和推理过程中需要进行大量的矩阵乘法和加法运算，这些运算可以高度并行化。 • GPU拥有大量核心（通常远超CPU），可以同时处理多个任务，从而显著提高计算速度。
  • GPU具有比CPU更高的内存带宽，这意味着它们可以更快地读写内存中的数据。
  • 深度学习模型训练通常涉及大量的浮点运算。现代GPU针对单精度（32位浮点数）和双精度（64位浮点数）运算进行了优化，尽管在深度学习中更常用的是单精度运算，因为双精度运算在GPU上通常较慢且能耗更高。
  • 深度学习框架（如TensorFlow、PyTorch等）提供了对GPU的广泛支持，通过CUDA（NVIDIA的并行计算平台和编程模型）和cuDNN（NVIDIA的深度学习加速库）等库，这些框架可以高效地利用GPU进行计算。深度学习框架（如TensorFlow、PyTorch等）提供了对GPU的广泛支持，通过CUDA（NVIDIA的并行计算平台和编程模型）和cuDNN（NVIDIA的深度学习加速库）等库，这些框架可以高效地利用GPU进行计算。
  • 尽管GPU的初始成本可能较高，但在处理大量数据时，它们通常比使用大量CPU更具成本效益。

---

• 以下为：Windows 11 系统配置 PyTorch 环境的教程。

1、查看GPU信息

• 可在任务管理器中的性能中查看，确认是：NVIDIA：
  

---

2、安装CUDA

• 查看CUDA的版本信息

• 操作：打开 CMD窗口，输入以下命令：nvidia-smi

C:\Users\blning>nvidia-smi
Tue Dec 26 11:29:59 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 462.21       Driver Version: 462.21       CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce RTX 306... WDDM  | 00000000:01:00.0  On |                  N/A |
| N/A   48C    P8    12W /  N/A |    223MiB /  6144MiB |      2%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A      7688    C+G   Insufficient Permissions        N/A      |
|    0   N/A  N/A     10300    C+G   Insufficient Permissions        N/A      |
|    0   N/A  N/A     11548    C+G   Insufficient Permissions        N/A      |
+-----------------------------------------------------------------------------+

• 下载地址：CUDA Toolkit 12.3 Update 1 Downloads
  • 查看CUDA是否安装成功？
  • 在命令提示符窗口输入：nvcc - V
    

---

3、配置cuDNN

• 下载地址：cuDNN Archive Download
  
• 操作：
  1. 将下载的zip包解压。
  2. 把解压后的文件夹命名为：cudnn
  3. 将重命名后的cudnn文件夹拷贝到 CUDA 的安装目录下。
• 提示
  • CUDA的安装路径可以在系统的环境变量中查看（CUDA在安装后就自动在系统环境变量中被配置）
    

---

4、安装PyTorch

1. 进入 PyTorch 官网：PyTorch官网
   
   
   

2. 下滑找到PyTorch下载选择，按照以下选择
   
   
   

3. 选择好安装的位置：复制其命令到命令提示窗口执行该命令安装即可
   
   
   

4. 在Python的交互环境中：检查在PyTorch中CUDA是否可用

• 输入以下命令

>>> import torch
>>> torch.cuda.is_available()
True     # 返回True表示可用

【 结语】以上是基于Windows 11系统中PyTorch学习环境的配置，还存在很多不全面的地方，欢迎各位大佬指点；如果觉得笔者不易，辛苦给予 点赞和 关注，给予我记录更多文章的动力！！

​