Anaconda安装PyTorch GPU环境完整指南：从零配置到避坑实践

1次阅读

共计 1776 个字符，预计需要花费 5 分钟才能阅读完成。

在深度学习的实践中，使用 GPU 加速训练是提高效率的关键。然而，对于初学者来说，在 Anaconda 中配置 PyTorch GPU 环境往往会遇到各种问题，如 CUDA 版本冲突、驱动不兼容等。本文将从零开始，详细介绍如何在 Anaconda 中配置 PyTorch GPU 环境，并提供常见问题的解决方案。

在 Windows 或 Linux 系统下配置 PyTorch GPU 环境时，初学者常会遇到以下问题：

CUDA runtime 不可用：通常是由于 CUDA Toolkit 版本与 PyTorch 版本不匹配。
驱动版本不匹配：NVIDIA 显卡驱动版本过低，无法支持所需的 CUDA 版本。
环境冲突：多个 Python 环境或库版本冲突，导致安装失败。

为了避免与其他 Python 环境冲突，建议使用 conda 创建一个新的隔离环境。以下是创建环境的命令：

conda create -n pytorch-gpu python=3.8

-n pytorch-gpu：指定环境名称为pytorch-gpu。
python=3.8：指定 Python 版本为 3.8（可根据需要调整）。

创建完成后，激活环境：

conda activate pytorch-gpu

PyTorch 官方提供了多种安装方式，推荐使用 conda 安装，因为它会自动处理依赖关系。以下是安装命令：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

pytorch、torchvision、torchaudio：PyTorch 的核心库。
cudatoolkit=11.3：指定 CUDA Toolkit 版本为 11.3（需与 PyTorch 版本兼容）。
-c pytorch：指定从 PyTorch 官方 conda 频道安装。

安装完成后，可以通过以下代码验证 PyTorch 是否成功识别 GPU：

import torch
print(torch.cuda.is_available())  # 预期输出：True
print(torch.cuda.get_device_name(0))  # 输出 GPU 型号

如果输出为True，则表示 PyTorch 已成功配置 GPU 环境。

conda 安装：conda 会自动安装与 PyTorch 兼容的 CUDA Toolkit，并将其路径添加到环境变量中。
pip 安装：pip 安装的 PyTorch 通常需要手动配置 CUDA Toolkit 路径，容易出错。

PyTorch 版本与 CUDA 驱动版本需要严格匹配。以下是常见的兼容性矩阵：

PyTorch 版本	CUDA Toolkit 版本	最低 NVIDIA 驱动版本
1.8.0	11.1	450.80.02
1.9.0	11.1	450.80.02
1.10.0	11.3	465.19.01

conda 默认源在国内下载速度较慢，建议配置清华镜像源。以下是配置命令：

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/
conda config --set show_channel_urls yes

可以通过以下命令查看 NVIDIA 驱动版本：