完整在pycharm上通过torch调用GPU（最细节）

最新推荐文章于 2025-07-14 11:24:10 发布
原创 最新推荐文章于 2025-07-14 11:24:10 发布 · 2.2w 阅读 · 184 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #深度学习 #pip #机器学习

本文详细介绍了如何在Windows环境下安装CUDA、CUDNN和torch，确保它们版本兼容并能成功调用GPU。首先确认NVIDIA显卡驱动，然后从官方渠道下载对应版本的CUDA和CUDNN，按照步骤进行安装。接着验证CUDA安装成功，再下载CUDNN并替换CUDA文件夹内的内容，最后通过pip安装torch的GPU版本，并通过代码验证安装是否成功。整个过程详尽清晰，适合深度学习初学者参考。

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

作者经过审阅无数的帖子，某站看了无数视频之后，不断地失败才得出的结论。数十天毫无进展，得出的最详细结论。

我们部署torch到最后可以直接调用GPU一共要下三个东西，其中分别是CUDA,CUDNN，以及torch（这个里面有cpu以及GPU版本！！！）后面会讲。作者torch是通过其pip进行安装的。

注：其中最重要的就是三个看看是否都相互可以匹配（版本型号是否都兼容），并且是不是自己电脑可以进行调用的！！！！！！

话不多说开始正题：

查看自己电脑可以使用的CUDA版本

首先得有一张NVIDIV的显卡，才可以进行调用GPU，之后找到控制面板

 之后找到左下角的系统信息

之后点开组件，之后就清楚的可以看到你可以下载的CUDA的最大版本数，作者的是11.6的，只能和这个版本比相同或者是小于，不能大于，也就是你电脑驱动可以带动小版本的，向下兼容的。

下载CUDA

官网链接：CUDA Toolkit Archi

最低0.47元/天 解锁文章

200万优质内容无限畅学
pytorch调用多个gpu训练，手动分配gpu以及指定gpu训练模型的流程以及示例
qq_49370210的博客
02-02 1万+
当使用上面的这个命令时，PyTorch 会检查系统是否有可用的 CUDA 支持的 GPU。如果有，它将选择默认的 GPU（通常是第一块，即 “cuda:0”）。这意味着，即使系统中有多块 GPU，这条命令也只会指向默认的一块。torch.device(“cuda” if torch.cuda.is_available() else “cpu”) 这个命令在多 GPU 系统中是有效的，但它默认只指向一块 GPU（通常是 “cuda:0”）。要在多 GPU 系统中高效地利用所有 GPU，需要采用更复杂的设置。
pytorch常见操作
zbzckaiA的博客
09-06 1255
Author：Jack Stark@知乎 From：极市平台 导读 本文是PyTorch常用代码段合集，涵盖基本配置、张量处理、模型定义与操作、数据处理、模型训练与测试等5个方面，还给出了多个值得注意的Tips，内容非常全面。 PyTorch最好的资料是官方文档。本文是PyTorch常用代码段，在参考资料[1](张皓：PyTorch Cookbook)的基础上做了一些修补，方便使用时查阅。 1. 基本配置 导入包和版本查询 import torc...
Pytorch使用GPU训练全过程，包含安装CUDA、cuDNN、PyTorch
最新发布
笑小枫
07-14 1106
最近在搞使用yolo进行模型训练，记录下自己的思路以及问题的解决方案。整篇文章基于RTX 5080显卡，介绍了GPU的检测，安装CUDA12.8版本，安装对应的cuDNN，安装PyTorch，测试GPU等。
pycharm调用GPU
weixin_43483305的博客
01-12 2万+
使用pycharm调用CUDA首先在pycharm中使用device是否具有gpu在设备管理器中查看自己的gpu下载显卡驱动 首先在pycharm中使用device是否具有gpu device = torch.device(args.device if torch.cuda.is_available() else "cpu") print(device) 运行结果是 cpu ，计算机安装了gpu的，结果没有调用加速。 查了相关的资料 如何在Pycharm中调用gpu 。记录下当时的过程。 在设备管理器中查
【pytorch使用GPU】
aixiao_xiaoo的博客
05-15 357
【代码】【pytorch使用GPU】
神经网络 torch----使用GPU（cuda）
用来自己学习，复习
06-17 2195
在训练过程中，要想利用我们的GPU，有两个基本要求。这些要求如下：默认情况下，在创建 PyTorch 张量或 PyTorch 神经网络模块时，会在 CPU 上初始化相应的数据。具体来说，这些数据存在于 CPU 的内存中。
【PyTorch框架】GPU的使用
闪闪发光的博客
04-18 9290
GPU使用；多GPU运算
Pycharm里配置Pytorch-gpu（运行informer算法模型）
pi_pi_lin的博客
10-24 7958
去官网下载适合自己操作系统的Anaconda安装包。（以Windows为例）
如何使用PyCharm连接服务器GPU？四步搞定！
qq_53129597的博客
03-11 831
如何使用PyCharm连接服务器GPU？四步搞定！
pytorch使用GPU
tz的博客
11-28 1万+
pytorch使用单机单卡，单机多卡，多机多卡GPU的应用总结
torch教程——使用GPU运行神经网络
weixin_42708161的博客
01-10 2万+
CPU运行神经网络较慢，可以使用GPU加速。 安装cuda版本的to 安装教程 demo 导入torch库以后，调用下面的函数，如果打印True就说明安装成功。 import torch print(torch.cuda.is_available()) 定义一个cuda设备 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(device) 将网络的参数设置为cuda张量 net = Net().t
Pytorch调用GPU的方法
qq_43631827的博客
07-09 4123
Pytorch调用GPU有两种方法，一种是torch.cuda()，一种是torch.to()。
pytorch采用GPU加速方法
m0_53675977的博客
12-19 2804
在进行深度学习训练模型时，对于计算量小一些的模型，是可以在CPU上进行的。但是当计算量比较大时，我们希望利用GPU并行计算的能力去加快训练的速度。
Pycharm 配置GPU环境
handsome836的博客
08-14 3221
pycharm配置GPU环境
gpu运行pycharm
热门推荐
qq_43138237的博客
12-09 3万+
如何使用自己电脑上自带的GPU来运行pycharm中的程序第一步：cuda的安装第二步：mxnet的安装第三步：可能的numpy问题附1：如何回到CPU模式附2：如何判断自己是否在用GPU 第一步：cuda的安装 首先进入NCIVA控制面板，点击左下方系统信息，再点击组件，发现在3D设置里面有CUDA11.1，但是这个CUDA貌似在Pycharm中无法同时，同时按：Win+R，输入cmd后，在命令行中输入: nvcc --version #用于查看cuda版本 提示：不是内部命令或外部命令,也不是可运行程
使用GPU版本的torch
Jieyi_的博客
07-16 8082
1.我是不知道安装torch到底需不需要安装CNDA和CUDNN的，我是按照其他文章所说，才下载的 CNDA和CUDNN。通过一些视频展示，下载GPU版本的torch是包含了CNDA组件的，所以我觉得可能不需要下载CNDA和CUDNN，直接下载GPU版本的torch。2.确保自己电脑有GPU。
torch用GPU训练
qq_39497942的博客
09-01 1883
model.cuda()
【动手学深度学习PyTorch版】11 使用GPU
水w的博客
10-25 6338
使用GPU
如何在pycharm中调用gpu
12-28
### 配置 PyCharm 使用 GPU 加速 #### 设置环境变量 为了使 PyCharm 能够识别并利用 NVIDIA 的 CUDA 工具包来实现 GPU 加速，需要正确配置系统的环境变量。具体来说，在 Windows 系统上应将 CUDA 安装目录下的 `bin`、`lib\x64` 和其他必要子文件夹路径添加到系统的 PATH 变量中[^2]。 例如，如果 CUDA 版本为 v11.1，则需加入如下路径： - `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin` - `C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64` 这一步骤确保了操作系统能够定位到所需的库文件和支持工具，从而允许 TensorFlow 或者 PyTorch 这样的深度学习框架调用 GPU 来执行计算任务。 #### 创建 Anaconda 虚拟环境并与 PyCharm 关联 创建一个新的 Conda 虚拟环境用于安装特定版本的 Python 解释器以及所需依赖项（如 TensorFlow-GPU），并通过命令行指定 pip 安装软件包的具体存储位置以防止不同项目之间的冲突[^1]。之后，在 PyCharm 中通过 "File -> Settings -> Project Interpreter" 添加新创建的 conda 环境作为项目的解释器。 对于想要更改默认的 pip 安装路径的情况，可以运行 `python -m site --help` 查看如何修改当前使用的虚拟环境中 pip 安装的目标文件夹位置。 #### 安装支持 GPU 的深度学习框架 在已经准备好的虚拟环境中，按照官方文档指导安装带有 GPU 支持的 TensorFlow 或 PyTorch 版本。通常情况下，可以通过简单的 pip 命令完成此操作，比如: ```bash pip install tensorflow-gpu==<version> ``` 或者针对 PyTorch 用户而言， ```bash pip install torch torchvision torchaudio cudatoolkit=<cuda_version> -f https://download.pytorch.org/whl/cu<cuda_version>/torch_stable.html ``` 这里 `<version>` 表示期望安装的具体版本号，而 `<cuda_version>` 则对应于所安装的 CUDA 版本号的一部分（例如 'cu111' 对应 CUDA 11.1）。 当上述步骤完成后，重启 PyCharm 并验证是否成功启用了 GPU 计算能力。可以在代码里编写一小段测试程序来确认这一点，像这样： ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU'))) ```
评论 31
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