Anaconda环境下PyTorch GPU版本安装全指南：从环境配置到性能验证

1次阅读

没有评论

共计 1783 个字符，预计需要花费 5 分钟才能阅读完成。

在 Anaconda 中安装 PyTorch GPU 版本时，开发者最常遇到以下问题：

CUDA 版本兼容性：PyTorch 版本与 CUDA 驱动版本必须严格匹配，否则会出现动态库加载失败
conda 环境污染：直接安装在 base 环境可能导致依赖冲突，影响其他项目
驱动验证困难：安装后无法确认 GPU 是否真正被调用，缺乏直观的性能验证手段

conda 安装优势：
自动解决 CUDA Toolkit 和 cuDNN 的依赖关系
通过 cudatoolkit 包管理本地 CUDA 环境，无需单独安装 NVIDIA 驱动
推荐使用官方 conda 通道避免第三方源风险
pip 安装注意事项：
需要手动匹配 torch 版本与系统 CUDA 版本
必须提前安装对应版本的 CUDA Toolkit 和 cuDNN
适合容器化等需要精确控制依赖的场景

PyTorch 官网生成的安装命令（如conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch）包含三个关键设计：

cudatoolkit=11.3：指定自动安装的 CUDA 工具链版本
-c pytorch：使用官方维护的 conda 频道
隐含的 MKL 数学库加速支持

# 创建指定 Python 版本的环境
conda create -n torch_gpu python=3.8 -y
conda activate torch_gpu

根据 PyTorch 官网当前推荐版本调整（以 1.12.0 为例）：

# CUDA 11.3 版本示例
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

import torch

# 基础检查
assert torch.cuda.is_available(), "CUDA 不可用"

# 高级诊断
device = torch.device("cuda")
print(f"当前设备: {torch.cuda.get_device_name(0)}")
print(f"CUDA 计算能力: {torch.cuda.get_device_capability()}")
print(f"可用 GPU 数量: {torch.cuda.device_count()}")

import time
import torch

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

# CPU 计算
start = time.time()
_ = x @ x.T
print(f"CPU 耗时: {time.time() - start:.4f}s")

# GPU 计算
x = x.to('cuda')
start = time.time()
_ = x @ x.T
torch.cuda.synchronize()  # 确保计时准确
print(f"GPU 耗时: {time.time() - start:.4f}s")

在终端执行：