PyTorch GPU环境配置全指南：Anaconda与PyCharm的深度整合实践

1次阅读

共计 2602 个字符，预计需要花费 7 分钟才能阅读完成。

PyTorch 的 GPU 加速能力是处理计算机视觉和自然语言处理大规模数据的核心保障，它能将训练时间从数天缩短到数小时；现代深度学习模型如 Transformer 或 ResNet 的设计都默认依赖 CUDA 进行张量运算；没有 GPU 支持的 PyTorch 环境将无法使用混合精度训练等关键优化手段。

CUDA 与 cuDNN 版本矩阵冲突：PyTorch 官方二进制包对 CUDA 版本有严格限制（如 PyTorch 1.12 仅支持 CUDA 10.2/11.3/11.6），而本地 NVIDIA 驱动可能仅支持特定 CUDA 版本
conda 环境污染：直接在主环境安装会导致包依赖冲突，尤其当同时使用 TensorFlow 等框架时
PyCharm 解释器识别失败：IDE 常因路径设置错误无法识别 conda 环境中的 Python 解释器

# Windows/Linux 通用命令
conda create -n pytorch_gpu python=3.8 -y
conda activate pytorch_gpu

根据显卡型号选择安装命令（以 PyTorch 1.12 为例）：

# NVIDIA 30 系显卡推荐
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

# 旧显卡兼容方案
conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch

创建 test_gpu.py 文件：

import torch
print(f"CUDA available: {torch.cuda.is_available()}")
print(f"Device count: {torch.cuda.device_count()}")
print(f"Current device: {torch.cuda.current_device()}")
print(f"Device name: {torch.cuda.get_device_name(0)}")

预期输出应包含类似信息：

CUDA available: True
Device count: 1
Current device: 0
Device name: NVIDIA GeForce RTX 3090

打开File > Settings > Project: YourProject > Python Interpreter
点击齿轮图标选择Add...
选择Conda Environment > Existing environment
导航到anaconda3/envs/pytorch_gpu/bin/python（Linux/Mac）或Anaconda3\\envs\\pytorch_gpu\\python.exe（Windows）
勾选Make available to all projects（可选）

关键配置项已用红框标注

export_env.yml 文件示例：

name: pytorch_gpu
channels:
  - pytorch
  - defaults
dependencies:
  - python=3.8
  - pytorch=1.12.1
  - torchvision=0.13.1
  - torchaudio=0.12.1
  - cudatoolkit=11.3
  - pip:
    - nvidia-ml-py3==7.352.0

使用 nvidia-smi 实时监控（需安装 NVIDIA 驱动）：

# Linux
watch -n 1 nvidia-smi

# Windows PowerShell
while ($true) {nvidia-smi; sleep 1}

或通过 PyTorch API 监控：

def print_gpu_utilization():
    print(f"GPU memory allocated: {torch.cuda.memory_allocated() / 1024**2:.2f} MB")
    print(f"GPU memory reserved: {torch.cuda.memory_reserved() / 1024**2:.2f} MB")

通过 conda 安装不同 CUDA 版本：

conda create -n cuda11.3 cudatoolkit=11.3 -c nvidia
conda create -n cuda10.2 cudatoolkit=10.2 -c nvidia

使用环境变量切换版本：

export CUDA_HOME=/usr/local/cuda-11.3  # Linux
set CUDA_PATH=C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.3  # Windows

基础 Dockerfile 示例：

FROM nvidia/cuda:11.3.1-cudnn8-runtime-ubuntu20.04

RUN apt-get update && apt-get install -y python3-pip
RUN pip install torch==1.12.1 torchvision==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu113

COPY requirements.txt .
RUN pip install -r requirements.txt

GitLab CI 示例配置：

test_job:
  image: nvidia/cuda:11.3.1-cudnn8-runtime
  script:
    - pip install -r requirements.txt
    - python -c "import torch; assert torch.cuda.is_available()"
  tags:
    - nvidia