pytorch GPU加速CUDA环境搭建

最新推荐文章于 2025-04-07 13:06:40 发布
最新推荐文章于 2025-04-07 13:06:40 发布
阅读量2.1k 收藏 17
点赞数 2
分类专栏： 深度学习 文章标签： cuda gpu python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44536148/article/details/106372826
版权
本文详细介绍了如何在Windows环境下搭建PyTorch所需的CUDA和cuDNN环境，包括检查NVIDIA显卡驱动、选择合适的CUDA版本、安装CUDA和cuDNN、配置环境变量，以及验证安装成功的步骤。通过正确配置，可以加速PyTorch的GPU计算。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

pytorch的GPU加速需要配合CUDA和cuDNN

  • CUDA是NVIDIA推出的用于其GPU的并行计算框架。也就是CUDA只可以在NVIDIA的GPU上运行，且只有当要解决的计算问题可以大量并行计算的时候才能发挥CUDA的作用。
  • cuDNN是一个常见的神经网络层加速库文件，能够很大程度的把加载到显卡上的网络层数据进行优化计算，故没有它无法进行卷积操作。cuDNN需要在有cuda的基础上进行。

GPU加速CUDA环境搭建

CUDA

前期准备

  1. 先检查NVIDIA显卡驱动程序，如果有就不用再安装了。
C:\ProgramData\NVIDIA Corporation\Downloader\

找到一大串乱码的文件夹里面就是驱动程序
若没有，到NVIDIA官网/Download，选择适合自己电脑的显卡驱动下载

  1. 下载CUDA前先确认GPU显卡支持的CUDA版本
    控制面板->NVIDIA控制面板或右击驱动程序图标进入NVIDIA控制面板
    在这里插入图片描述

然后进入主菜单的帮助-系统信息，此时可以看到显卡驱动版本号如下
在这里插入图片描述
和支持的CUDA最高版本，如下图。
在这里插入图片描述
也可结合此表对照版本关系
来源https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
来源：https://docs.nvi

最低0.47元/天 解锁文章
win10下pytorch GPU版环境搭建
数据之心-小赵
05-25 3022
1.查看显卡驱动支持的CUDA版本。 如果NVIDIA控制面板打不开，选择右键驱动再更新驱动。 2.官网下载CUDA、CUDNN对应版本。 https://developer.nvidia.com/cuda-90-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal https://developer.nvidia.com/rdp/c
Pytorch + CUDA + GPU 的环境搭建
m0_51097359的博客
10-05 468
python pytorch 配置 cuda 使用 GPU 的环境的基本搭建方法。
pytorch-gpu环境搭建
zhaowu的博客
03-08 221
查看显卡驱动版本，先更新到最新的驱动，因为是向下兼容的。 我安装的cuda版本为10.0，cudnn为cudnn-10.0-windows10-x64-v7.6.0.64。 pytorch去官网找命令,找对应的版本 ptorch
【Pytorch安装】最简单易懂的CUDA+Pytorch安装（pip方式）
最新发布
=.=
04-07 2030
你可能在别的贴中看到通过Anaconda进行，但Pytorch现在已经不支持Anaconda安装，故改用了pip安装。但可以通过Anaconda进行测试，查看Pytorch是否安装成功。选择包的路径（后期会自动删，所以不动就行），安装选项都行，我选了精简（建议默认路径）。如果之前采用精简安装或者默认路径，那么CUDA的位置应该是：（版本可能不同，注意）进入Pytorch官网，下滑，他们给出了一个好用的生成命令工具。Win+R，输入cmd，粘贴指令回车，进行安装即可。可能比较啰嗦，可以直接点击目录跳转。
PyTorch中常用的工具（5）使用GPU加速：CUDA
FontTian的博客
01-01 1890
在训练神经网络的过程中需要用到很多的工具，最重要的是数据处理、可视化和GPU加速。本章主要介绍PyTorch在这些方面常用的工具模块，合理使用这些工具可以极大地提高编程效率。由于内容较多，本文分成了五篇文章（1）数据处理（2）预训练模型（3）TensorBoard（4）Visdom（5）CUDA与小结。1 数据处理2 预训练模型3 可视化工具3.2 Visdom4 使用GPU加速：CUDA5 小结。
添加清华镜像，快速安装pytorch
fangyunfeng的专栏
01-20 1674
** 添加清华镜像，快速安装pytorch 在windows 10下安装pytorch，注意我这里已经提前安装好了aconda3 ，cuda 10.2，cudnn 10.1 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels ...
关于Pytorch使用CUDA进行GPU加速的几个问题
weixin_39916086的博客
01-26 4430
目录 测试pytorch版本和与cuda版本是否匹配： 版本不匹配 GPU占用率 多线程问题 测试pytorch版本和与cuda版本是否匹配： import torch print(torch.__version__) print(torch.cuda.is_available()) #测试python版本 import sys print(sys.version) 如果显示True，那么大概率是没有问题的。 如果显示False，而且你也确定安装好CUDA与cudnn 可能是..
Pytorch1.11_CUDA11.3_Pycharm2022_调试环境搭建
05-23
### Pytorch 1.11_CUDA11.3_Pycharm2022_调试环境搭建 ...通过以上步骤，可以顺利完成基于Pytorch 1.11、CUDA 11.3、Pycharm 2022的GPU调试环境搭建，为后续深度学习项目的开发和调试提供了坚实的基础。
pytorch的cuda环境搭建（GPU版本安装）
热门推荐
Never-Giveup的博客
04-24 9万+
参考 https://blog.youkuaiyun.com/MarsLee_U/article/details/80489618 https://blog.youkuaiyun.com/u011622208/article/details/80275344 注意：一定要安装cudnn，不然无法进行卷积操作
1 PyTorch（GPU版本 ）环境搭建
睿智小码农
04-13 5615
PyTorch（GPU版本 ）环境搭建 Anaconda的安装，安装一路Next即可，不再赘述； Anaconda换源，打开Anaconda Prompt，在base环境中输入下列命令回车即可； conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/an
深度学习pytorch GPU windows 环境搭建
ithinking110的博客
11-21 1720
深度学习pytorch GPU windows 环境搭建遇到的问题安装过程安装显卡驱动安装cuda安装 cudnn安装pytorch 遇到的问题 接触pytorch 有一段时间了，一直想简单明了的编程环境 不想安装太多臃肿的东西。 以前一直是以pytorch cpu编程 简单的实现 发现这条路行不通。在实现 faster-rcnn 后发现ROI layer 必须是在gpu上跑 没有cpu...
mish-cuda:PyTorch 的 Mish 激活函数
05-30
Mish-Cuda：自正则化非单调激活函数 这是 Diganta Misra ( ) Mish 激活的 PyTorch CUDA 实现。 安装 它目前作为仅源代码的 PyTorch 扩展分发。 因此，您需要正确设置工具链和 CUDA 编译器才能安装。 工具链- 在cxx_linux-64包提供了适当的工具链。 但是，这取决于系统，仍然可能存在兼容性问题。 您也可以尝试使用系统工具。 CUDA 工具包- 除了驱动程序之外，还需要来提供所需的头文件和工具。 从 nVidia 获取适合您的 Linux 发行版的版本，或者检查发行版的特定说明。 重要的是您的 CUDA 工具包与 PyTorch 构建的版本相匹配，否则可能会发生错误。 目前 PyTorch 为 v10.0 和 v9.2 构建。 表现 CUDA 实现似乎反映了原始实现的学习性能，并且没有观察到稳定性问题。 在函数的速度方面，它
windows下的pytorch-gpu环境搭建方法
wwwsctvcom的博客
11-06 331
一、配置国内镜像源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ #必不可少，不然会出现找不到包，或者只有cpu版本的pytorch包 conda config --add channels https://mi
pytorch的深度学习环境安装配置（GPU版）
ting
01-15 1万+
pytorch的深度学习环境安装配置：anaconda+pycharm+pytorch（GPU版）
从0开始搭建深度学习环境-Pytorch-GPU
weixin_44097477的博客
03-13 1万+
深度学习环境搭建 Anaconda-Python3.9——开源的Python 发行...Anaconda的安装 Conda——包含在Anaconda中 CUDA和CUDNN——GPU复杂计算架构和DNN...对CUDN和CUDNN的理解 CUDA的安装 CUDNN的安装 Pytorch深度学习框架(模型库/积木)虚拟环境的创建与激活 对Pytorch的理解Pytorch安装常用库的安装pip和condaconda安装方式pip安装方式 Pycharm——Python lDE
Windows下PyTorch(LibTorch)配置cuda加速
my544903633的专栏
07-03 1万+
PyTorch is not linked with support for cuda devices (getDeviceGuardImpl at C:\w\b\windows\pytorch\c10/core/impl/DeviceGuardImplInterface.h:216) (no backtrace available) PyTorch 在Windows下配置cuda加速似乎变得有些诡异 测试1.4,1.5.0,1.5.1,nightly,python(pip install ...).
GPU cuda cuDNN pytorch理解
weixin_50920579的博客
08-22 736
kernel的定义和普通的c++函数没有什么区别，除了加上了一个__global__的修饰符，这个修饰符就相当于告诉编译器这部分需要在gpu上完成。这部分就是把两个长度为N的向量，将其分配到N个线程上进行加法运算，那其实每个线程只需要计算相应位置上的一个加法运算就可以了。可理解为cv2库，对常用的图像处理算法封装成了库里的很多函数，用的时候直接调用，而不使用python从头写造轮子。所以实际上数据是在host端产生，然后拷贝到gpu上进行计算的，最后再将数据拷贝回host端。
Pytorch中实现CUDA加速【来自AI葵 pytorch-cppcuda-tutorial】
RobinA380的博客
06-03 1207
【本教程主要参考自kwea123】 GitHub - kwea123/pytorch-cppcuda-tutorial: tutorial for writing custom pytorch cpp+cuda kernel, applied on volume rendering (NeRF) 目的 实现GPU加速计算，场景有非平行运算和大量串行运算两种，本教程主要针对第一种如体素渲染的应用。 非平行运算：像体素渲染那样的，由于每次采样点个数不一样，计算过程有差别，但有相似性又需要大量重复计算。（对比像神
【深度学习环境搭建】Windows+Anaconda+PyCharm+pytorch（GPU）的环境搭建过程及可能产生的问题解决方法（小白安装版）
zhu1zhu1的博客
03-22 1162
关于CUDA版本，其实在官网能找到11.7版本之前对应版本的下载命令，但我自己在之后的安装出了很多问题，所以为了减少出错的风险，如果没有办法安装CUDA11.7或11.8，建议先去升级一下英伟达显卡驱动。（我自己这里支持的最高CUDA版本是12.1，目前pytorch官网的CUDA版本最高支持11.8，这也就是说在pytorch安装时，我可以选择任意版本的CUDA。（其中CUDA版本不能高于自己电脑支持的最高CUDA版本，例如我这里选择的是CUDA11.7）进入到该路径下再输入nvidia-smi即可。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值