在anaconda中安装cuda-pytorch

原创 于 2025-12-20 19:42:02 发布 · 400 阅读 · 2 ·
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 #人工智能 #python #anaconda

每次新电脑装环境，自己就得去网上找教程，虽然不也不难，难免年龄大了记不住，也怕自己漏掉什么环节。索性自己记录一下写一个教程，现在只记录cuda版本pytorch。未来装cpu版本的时候再更新。

1.确定显卡型号

有多种方案，随便列几个。（我的是NVIDIA GeForce RTX 4080 SUPER）

方案一：进入任务管理器

方案二：进入NVIDIA设置

2.确定算力

CUDA - Wikipedia

进入cuda官网，往下滑，找到自己显卡对应算力（我的是8.9）

在这基础上往上滑会看到算力对应能装的cuda版本（我的是11.8，12.0-12.6，12.8，12.9，13.0）

3.确定自己的cuda版本

除了根据算力，我们得到的版本范围之外，还要根据驱动和自己需求进一步筛选(我的驱动版本是575.88，最高允许安装的cuda版本是12.9)

win+r-->输入cmd进入终端-->nvidia-smi

这里我选择12.6，我常用python是3.9（这里要去确认一下cuda和pytorch版本有关联，pytorch又和python有关联）

pytorch/RELEASE.md at main · pytorch/pytorch · GitHub

4.安装cuda

cuda下载链接

右键以管理员身份运行

指定一个临时地址，用于解压安装包之类的东西

一直下一步，直到该页面，选择自定义

继续下一步，直到下个页面，指定地址（需要与刚刚临时地址不一致）

一直下一步如果出现下面的页面，表示没有VisualStudio，可以先去安装这个东西，也可以跟我一样，回退到上一个界面，取消这个选项

取消后，继续下一步就好了

5.检查环境变量，没有就自己配

6. 安装pytorch

安装地址

首页是最新版本，不想安装最新版本可以选择往期版本

方法一：采用命令行，在线下载（科学上网更快，如果没有就换方法2）

选择合适自己的版本（我的cuda是12.6，我想安装pytorch2.6.0版本）

复制这条命令

打开anaconda中自己虚拟环境

方法二：自己下载好安装包，然后去环境安装

pytorch：pytorch安装地址

torchvision安装地址

torchaudio安装地址

三个下载好了如下图

进入anaconda环境输入下面命令

pip install "D:\CUDA\torch-2.6.0+cu126-cp39-cp39-win_amd64.whl"
pip install "D:\CUDA\torchaudio-2.6.0+cu126-cp39-cp39-win_amd64.whl"
pip insatll "D:\CUDA\torchvision-0.21.0+cu126-cp39-cp39-win_amd64.whl"

如下图所示

7. 验证

先在环境中运行python

然后运行下面的代码

print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号

如下：

wenxiaohai123
关注
Win11配置Anaconda-Cuda-Pytorch-Tenserflow环境
Otto的学习笔记
06-06 3237
配置深度学习的环境
深度学习环境搭建：Anaconda3+CUDA+Pytorch+Pycharm选择安装
m0_62149566的博客
03-22 2004
配置环境需要选择合适的版本。python和pytorch，pycharm版本对照关系可以搜索一下站里的相关文档，更重要一些的是python和pytorch的对应关系，nacidia和cuda的对应关系。我会用这套配置验证随后的学习，如果有错误我会在这篇里进行修正。
WIN11-WSL2-Ubuntu22-04-CUDA-ANACONDA3-Pytorch安装总结
etrospect的博客
05-10 1039
关于在win11系统下，使用WSL2来安装Ubuntu22.04系统来配套安装深度学习框架，来进行AI大模型应用开发学习
学习记录：--VMware--Ubuntu16--Anaconda3--CUDA--PyTorch
Laiguibing521的博客
11-14 859
一、安装Ubuntu # 国内Ubuntu下载镜像 网易: http://mirrors.163.com/ubuntu-releases/ 阿里：http://mirrors.aliyun.com/ubuntu-releases/ ... 二、VMware tool 三、切换ubuntu镜像源 切换方法：链接直达 清华镜像：链接直达 四、安装Anaconda3 安装方法：链接直达 命令： bash Anaconda3-xxxx.sh 清华镜像下载的更快：
精选资源
pycharm-anaconda-pytorch安装文档说明文档.pdf
03-01
在本篇《pycharm-anaconda-pytorch安装文档说明文档.pdf》中，提供了关于安装pycharm、anaconda以及pytorch等一系列深度学习基础软件的详细步骤和说明。文档强调了安装这些软件对于进行深度学习研究的重要性，并且...
已经安装了PyTorch，Jupyter Notebook仍然报错“No module named torch“
知识转化中心
12-12 376
已经安装了PyTorch，Jupyter Notebook仍然报错"No module named torch"点击右上角的Python3(ipykernel)，这个按钮的功能是switch kernel。例如这里我换成了py312,代表python 3.12版本。然后更换kernel,
基于PyTorch实现U-Net的路面裂缝检测系统
像风一样自由的博客
12-15 940
摘要 本文提出了一种基于PyTorch框架的U-Net路面裂缝检测系统。系统采用标准U-Net架构，通过编码器-解码器结构和跳跃连接实现高精度图像分割。项目完整实现了数据加载、模型训练、验证评估和结果可视化流程，在Crack500数据集上取得了良好效果。实验结果表明，该系统能够有效识别路面裂缝，为道路维护提供自动化检测方案。系统采用模块化设计，包含模型定义、数据处理、训练控制和评估工具四大核心模块，具有较好的可扩展性和实用性。 关键词：U-Net、路面裂缝检测、PyTorch、图像分割、深度学习
【pytorch | torchvision | datasets】ImageFolder（）类
十二_的博客
12-18 697
ImageFolder是torchvision中一个通用的图像数据加载器类，继承自DatasetFolder。它默认要求图像按类别存储在子文件夹中（如root/dog/xxx.png）。主要参数包括：root（数据集根路径）、transform（图像预处理函数，如RandomCrop）、target_transform（目标转换函数）、loader（图像加载函数）等。其中transform函数不会立即执行，而是在需要数据时才应用。该类还支持验证文件有效性及处理空文件夹选项。
AdaGrad 深度解析：从数学原理到 PyTorch 实现，为什么它在稠密问题中“学不动”？
qq_62634342的博客
12-16 966
AdaGrad是一种自适应学习率优化算法，通过为每个参数独立调整学习率来提升稀疏数据（如NLP、推荐系统）的训练效果。其核心机制是：基于历史梯度平方和的累加（G_t）自动缩放学习率，高频更新参数获得较小学习率，稀疏参数保持较大学习率。PyTorch实现采用公式 w_t+1 = w_t - lr/(sqrt(G_t)+eps)*g_t（注意eps在根号外），与理论公式存在差异。实验显示，在连续优化问题中，AdaGrad会因学习率过早衰减而表现不佳，这反映了其设计假设（梯度幅
【torch.compile】PyTorch Dynamo 和 Inductor 编译流程
jack.li的博客
12-19 250
本文详细解析了PyTorch 2.7.0中Dynamo和Inductor的编译流程。从用户调用torch.compile()开始，系统会创建OptimizedModule包装原始模型，并通过OptimizeContext设置帧评估回调。当首次执行模型时，Python解释器会触发_custom_eval_frame回调，进而调用_compile函数开始编译过程。整个流程实现了对模型前向传播的即时编译优化，最终生成高效的可执行代码。该机制通过拦截Python字节码执行，在不修改用户代码的情况下实现性能优化。
[Python | pytorch | torchvision ] models like ResNet... 命名变量说明
十二_的博客
12-19 467
在 PyTorch 深度学习模型中，`num_ftrs` 是一个常用的变量命名，它是 "**number of features**"（特征数量）的缩写。 这个变量通常出现在以下场景中： ### 主要用途 在**迁移学习**场景中最常见，特别是当你使用预训练模型（如 ResNet、VGG、AlexNet 等）并修改最后的分类层时： ```python import torch.nn as nn import torchvision.models as models # 加载预训练模型 model =
pytorch nn.Parameter self.register_parameter() 区别
weixin_40467931的博客
12-17 141
三、关键区别与底层逻辑。
【Anaconda | Python | pytorch】sklearn scikit-learn 报错：
十二_的博客
12-19 650
摘要：本文分析了VS Code中出现的"Import sklearn.model_selection could not be resolved from source"错误。该错误属于IDE智能提示问题（Pylance扩展），而非运行时错误，主要表现为无法提供代码补全和跳转功能。可能原因包括：1）scikit-learn包未正确安装（可通过pip/conda命令检查）；2）Python环境配置错误，如选择了错误的解释器。建议用户检查包安装状态和环境配置情况。
统一的人群计数训练框架（PyTorch）——基于主流的密度图模型训练框架
Keep_Trying_Go的博客
12-15 550
本文介绍了一个开源的人群计数框架，支持一键生成密度图数据集，并内置多种常见损失函数。该框架采用模块化设计，用户无需修改核心代码即可训练模型，也可轻松集成自定义模型。项目实现了分布式训练功能，并汇总了相关论文解读和代码资源链接，包括CrowdCLIP、FFNet等前沿方法。附带的参考链接涵盖了数据集使用指南、算法详解和GitHub项目资源，为研究者提供了完整的人群计数学习路径和技术支持。
经典Transformer的PyTorch实现
hopsky的博客
12-18 167
本文通过PyTorch实现拆解了经典Transformer的核心组件，以"猫坐在垫子上"为例进行说明。
第N9周：seq2seq翻译实战-Pytorch复现-小白版
最新发布
m0_46260522的博客
12-19 67
这是一个简单的英法翻译程序，它使用深度学习技术（RNN）将英语句子自动翻译成法语。就像Google翻译一样，但这是自己训练的小型模型。
基于注意力机制图神经网络的交通流量预测模型源码解析：使用PyTorch实现DL00566数据集...
2500_94317807的博客
12-19 263
先甩个Github地址（假装有），数据集用PeMS-BAY这种经典交通流数据，包含传感器节点和车辆速度时间序列。注意别让batch_size太大，否则显存分分钟爆炸（别问我是怎么知道的）。关键不是绝对精度，而是模型能在突发拥堵时（比如交通事故）比传统ARIMA方法更快响应——这得益于图结构的信息传递机制。这招把物理距离近的传感器强行组CP，但实际路况中可能存在"隔山打牛"的情况——这时候注意力机制就派上用场了。输出热力图能看到模型在时间维度上更关注历史数据中的高峰时段，比固定权重的滑动窗口机制灵活得多。
【PyTorch】detach：从计算图中切断梯度的原理与实践
Rabbit_QL的博客
12-15 625
本文介绍了PyTorch中detach()方法的核心原理与应用场景。detach()通过切断计算图中的梯度路径，使部分计算在反向传播时被视为常数。文章通过数学公式和代码示例展示了该方法如何控制梯度传播范围，并对比了其与no_grad()、eval()的区别。典型应用包括推理阶段数据转换、冻结网络模块等场景。最后强调detach()返回的Tensor与原数据共享存储，需谨慎进行原地操作。该机制为模型训练提供了精细的梯度控制能力。
【Sympydantic】使用sympydantic，利用pydantic告别numpy与pytorch编程中，tensor形状带来的烦人痛点！
qq_52247089的博客
12-15 476
Sympydantic结合了sympy与pydantic，可以在函数调用时提前验证张量形状，让你的numpy/torch代码更加安全！
anaconda----pytorch环境
03-02
### 安装和配置PyTorch #### 创建新的Conda环境 为了确保不同项目之间的依赖项不会冲突，在Anaconda中创建一个新的虚拟环境是一个良好的实践。通过`conda create`命令可以轻松完成此操作。 ```bash conda create --name pytorch_env python=3.9 ``` 激活新创建的环境： ```bash conda activate pytorch_env ``` #### 查看CUDA版本并安装相应版本的PyTorch 在安装特定版本的PyTorch之前，了解计算机上已安装的CUDA驱动程序及其对应的CUDA工具包版本非常重要。这可以通过运行nvidia-smi命令来实现[^3]。 一旦确认了系统的CUDA版本，则可以根据该信息选择合适的PyTorch二进制文件进行安装。对于支持GPU加速的情况，推荐使用官方提供的预编译包来进行快速部署。 假设系统具有兼容的NVIDIA GPU以及相应的CUDA驱动，那么可以直接利用`conda install`或`pip install`方式获取最新稳定版的PyTorch库。这里给出基于CUDA 11.7的例子: ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch ``` 如果不需要GPU支持或者机器不具备NVIDIA显卡的话, 可以省略`cudatoolkit`参数从而仅安装CPU版本. 验证安装成功与否的一种简单方法就是尝试导入模块并在Python解释器内部执行一些基本测试代码片段。 ```python import torch print(torch.__version__) if torch.cuda.is_available(): print('CUDA is available') else: print('No CUDA support detected.') ``` 上述过程涵盖了从创建独立的工作空间到引入必要的软件栈的所有必要步骤，使得开发者能够在受控条件下开发深度学习应用程序而不必担心与其他全局设置发生潜在冲突。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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