Anaconda环境下PyTorch GPU版安装全指南：从环境配置到避坑实践

1次阅读

共计 2391 个字符，预计需要花费 6 分钟才能阅读完成。

每次在新机器上配置 PyTorch GPU 支持时，总会出现各种妖魔鬼怪的问题。最常见的就是 CUDA 版本不匹配——PyTorch 版本和 CUDA 版本对不上，就像 USB 插头非要怼进 Type- C 接口一样绝望。还有 conda 环境污染问题，明明昨天还能用的环境，今天突然报错找不到库文件，简直让人抓狂。

更糟心的是 NVIDIA 驱动版本问题。驱动版本太低会导致 CUDA 根本无法初始化，而驱动版本太高又可能和 PyTorch 要求的 CUDA 版本冲突。这些问题就像俄罗斯套娃，一个套一个，让人崩溃。

环境隔离：Conda 可以创建完全独立的环境，避免库版本冲突
依赖管理：自动处理 CUDA、cuDNN 等复杂依赖关系
跨平台：Windows/Linux 命令基本一致，减少学习成本
预编译：提供优化过的二进制包，避免从源码编译

虽然 pip 也能安装 PyTorch，但遇到 CUDA 相关依赖时经常需要手动配置，对新手极不友好。Conda 就像全自动咖啡机，按个按钮就能得到想要的结果；而 pip 更像是手冲咖啡，虽然灵活但步骤繁琐。

在开始前，请确保：

已安装最新版 NVIDIA 驱动（通过 nvidia-smi 检查）
已安装 Anaconda 或 Miniconda
知道自己的显卡算力（如 RTX 3090 是 8.6）

# 创建名为 pytorch_gpu 的 Python 3.9 环境
conda create -n pytorch_gpu python=3.9
conda activate pytorch_gpu

访问 PyTorch 官网获取最新安装命令，例如：

# Linux/Windows 通用命令（PyTorch 1.12+ CUDA 11.6）conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch -c conda-forge

关键参数说明：

cudatoolkit=11.6：指定 CUDA 工具包版本
-c pytorch -c conda-forge：从这两个 channel 获取软件包

import torch

print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")
print(f"GPU 数量: {torch.cuda.device_count()}")
print(f"当前 GPU: {torch.cuda.get_device_name(0)}")

如果 torch.cuda.is_available() 返回 False，请继续往下看。

在 ~/.bashrc 中添加（Linux）：

export PATH=/usr/local/cuda-11.6/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64:$LD_LIBRARY_PATH

Windows 用户需要在系统环境变量中配置对应的 CUDA 路径。

# 查找文件位置
find / -name "libcudart.so*" 2>/dev/null

# 然后添加到 LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/path/to/cuda/lib64:$LD_LIBRARY_PATH

查看当前驱动版本：nvidia-smi
访问 NVIDIA 官网下载最新驱动
安装后重启系统

运行以下测试脚本感受 GPU 的威力：

import torch
import time

# 创建大型矩阵
x = torch.randn(10000, 10000)

# CPU 计算
start = time.time()
_ = x @ x
print(f"CPU 耗时: {time.time()-start:.2f}秒")

# GPU 计算
if torch.cuda.is_available():
    x = x.cuda()
    start = time.time()
    _ = x @ x
    torch.cuda.synchronize()  # 确保计时准确
    print(f"GPU 耗时: {time.time()-start:.2f}秒")

在我的 RTX 3090 上测试结果：

CPU: 4.78 秒
GPU: 0.12 秒

通过调整 batch_size 观察显存变化：

import torch

for batch_size in [32, 64, 128, 256]:
    try:
        x = torch.randn(batch_size, 3, 256, 256).cuda()
        model = torch.nn.Conv2d(3, 64, kernel_size=3).cuda()
        out = model(x)
        print(f"batch_size={batch_size} 显存占用: {torch.cuda.memory_allocated()/1024**2:.2f}MB")
    except RuntimeError as e:
        print(f"batch_size={batch_size} 出错: {str(e)}")

这个实验能帮助你理解：