配置 Pytorch-GPU 环境

00-本机环境

Windows 10, MX150(4GB)

C盘剩余空间大于 20 GB (10 GB空间留给 Pytorch，剩余 10 GB 剩余空间维持系统正常运行)

另有一盘剩余空间大于 6 GB

01- 获取CUDA信息

打开 NVIDIA 控制面板，找到左下角的【系统信息】，打开后选择【组件】栏。

可以看到显示了许多信息，我们需要的是 NVCUDA64.DLL 的【产品名称】一列的信息，它显示了我们的 GPU 驱动支持的 CUDA 版本号：CUDA 11.2.162

02-下载安装CUDA

打开 NVDIA 的 CUDA 下载页面，该页面提供最新版本的 CUDA Toolkit 下载，但我们很大可能需要下载以前版本的 CUDA，因此找到页面【Resources】栏目下的【Archive of Previous CUDA Release】，点击进入下载之前版本的 CUDA。

进入页面后，选择目标版本的 CUDA 下载链接。

我的目标版本是 11.2.162，但只需要前两个版本号和 CUDA 匹配即可。稳妥起见我选择的是 11.2.0 版本。

进入目标版本的下载页面，依次选择操作系统、操作系统版本、下载类型等参数。推荐使用 local 下载类型，它会下载全量安装包；而选择 network 下载类型则会下载一个下载器，之后连接网络下载安装文件，网络不稳定时容易受到影响。

下载完成后，双击下载下来的安装包，依照提示选择一个空间足够大的盘让其解压安装文件。待解压完成后，程序会自动开始安装 CUDA 到 C 盘。期间可能发生的错误和解决方法这里不加叙述，按照错误信息解决即可。

CUDA 安装完成后，Win + R 输入 cmd 进入命令行，输入 nvcc -V 查看是否安装成功。若成功则会输出 CUDA 的版本信息。

03-安装 cuDNN

cuDNN是基于cuda 的加速器，可提升原有的 GPU 算力。

安装 cuDNN 需要先注册一个 NVIDA 账号，登陆后进入 https://developer.nvidia.com/rdp/cudnn-download，按照提示完成一个问卷即可下载。下载页面如下所示，需要找到和 CUDA 版本匹配的 cuDNN 版本。

点击展开下面的资源下载目录，找到符合系统类型的下载链接进行下载即可。

下载后得到一个zip文件，里面包含了bin、include、lib 三个文件夹，分别将这三个文件夹中的文件复制到 cuda 安装文件夹下的对应文件夹下即可。

cuDNN 安装完成后，可以打开 cmd 命令行，输入 nvidia-smi 查看显卡使用情况。如果无法使用该命令，则将 C:\Program Files\NVIDIA Corporation\NVSMI\ 添加到系统变量中再进行尝试。

04-安装 Pytorch-GPU

进入 Resources | PyTorch，选择相应的参数，获取 Pytorch 下载命令。

稳定版 Stable 优先。

个人习惯用 pip，极其讨厌 Anaconda 的冗杂、操作卡顿等问题，没用过 Miniconda 但听说有安不上一些包的问题。

如果没有找到合适的【Compute Platform】选项，可以选择【Previous version of Pytorch】，按照 CUDA 版本号去查找对应的 Pytorch 安装命令。不过仍然有可能找不到对应的 Pytorch 版本，比如 CUDA 11.2 就没有对应的 Pytorch 分发版本，此时可以选择源码编译的方式安装，或者暗转低版本的 Pytorch，例如安装 CUDA 11.1 对应的 Pytorch。

复制下载命令后到 cmd 执行，Pytorch 包就会下载安装到 C 盘的 Python site-packages 目录下。当然，访问 Pytorch 缓慢的话可以换 pip 源。