Anaconda环境配置全攻略：从零安装到GPU版PyTorch避坑指南

1次阅读

没有评论

共计 2314 个字符，预计需要花费 6 分钟才能阅读完成。

PyTorch 作为主流深度学习框架，GPU 加速能带来数十倍的训练速度提升。以常见的 ResNet50 模型为例：

CPU 训练：约 8 分钟 /epoch（i7-11800H）
RTX 3060 GPU 训练：约 45 秒 /epoch

GPU 通过并行计算加速矩阵运算，特别适合：

大 batch_size 训练
3D 卷积等计算密集型操作
需要实时反馈的研究场景

打开终端执行：

nvidia-smi

正常输出应显示：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 515.65.01    Driver Version: 515.65.01    CUDA Version: 11.7     |
|-------------------------------+----------------------+----------------------+

关键信息：

Driver Version ≥ 450.80.02（支持 CUDA 11.0+）
顶部显示的 CUDA Version 是驱动支持的最高CUDA 版本

PyTorch 各版本对 CUDA 的要求严格，建议对照官方表格选择：

PyTorch 版本	推荐 CUDA	最低驱动版本
2.0.1	11.7/11.8	450.80.02
1.12.1	11.6	450.80.02

从官网下载 Python 3.9 版本（避免最新版可能存在的兼容问题）
安装时勾选 ”Add to PATH”（Windows 用户）

验证安装：

conda --version
# 应输出类似: conda 22.11.1

避免污染 base 环境，建议新建：

conda create -n torch-gpu python=3.9 -y
conda activate torch-gpu

关键命令（根据 CUDA 版本选择）：

# CUDA 11.7
conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia

# CUDA 11.6
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch

安装完成后检查：

conda list | grep torch
# 应看到 pytorch、cudatoolkit 等包

运行以下测试脚本：

import torch

print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")
print(f"当前设备: {torch.cuda.current_device()}")
print(f"设备名称: {torch.cuda.get_device_name(0)}")
print(f"CUDA 版本: {torch.version.cuda}")

# 测试张量计算
tensor = torch.randn(10000, 10000).cuda()
print(f"张量计算耗时: {tensor @ tensor}")

预期输出：

PyTorch 版本: 2.0.1
CUDA 可用: True
当前设备: 0
设备名称: NVIDIA GeForce RTX 3060
CUDA 版本: 11.7

解决方法：

检查 conda 环境是否正确激活
运行 nvcc --version 确认 CUDA Toolkit 安装
重新安装匹配版本的 PyTorch

典型解决方案：

# 清理缓存
torch.cuda.empty_cache()

# 减小 batch_size
batch_size = 32 -> 16

错误示例：

ImportError: libcudart.so.11.0: cannot open shared object file

解决步骤：

conda list检查所有包的版本
使用 conda remove --force 彻底卸载冲突包
重新安装指定版本组合

使用简单矩阵乘法测试：

import time
import torch

size = 10000

# CPU 测试
cpu_tensor = torch.randn(size, size)
start = time.time()
cpu_tensor @ cpu_tensor
print(f"CPU 耗时: {time.time()-start:.2f}s")

# GPU 测试
gpu_tensor = cpu_tensor.cuda()
start = time.time()
gpu_tensor @ gpu_tensor
torch.cuda.synchronize()  # 等待 GPU 完成
print(f"GPU 耗时: {time.time()-start:.2f}s")

典型结果（RTX 3060 vs i7-11800H）：