PyTorch GPU加速实战：Anaconda与PyCharm环境配置避坑指南

1次阅读

共计 1842 个字符，预计需要花费 5 分钟才能阅读完成。

刚入门深度学习的同学经常会遇到这样的场景：

import torch
print(torch.cuda.is_available())  # 输出 False

或者更令人崩溃的报错：

RuntimeError: CUDA error: no kernel image is available for execution on the device

这些问题的根源往往来自环境配置的细节疏漏。今天我们就用 Anaconda+PyCharm 这套最常用的组合，手把手搭建可用的 PyTorch GPU 环境。

全局安装：直接往系统 Python 里装 PyTorch
优点：简单粗暴
缺点：容易引发包冲突，特别是需要同时运行多个项目时
Anaconda 虚拟环境：
```
conda create -n pytorch_gpu python=3.8
```
优点：环境隔离，可创建多个不同版本的环境
推荐指数：★★★★★

通过 conda 安装 PyTorch 时会自动处理 CUDA 依赖：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

而 pip 安装需要手动确保 CUDA 版本匹配：

pip install torch==1.12.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113

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

# 激活环境
conda activate pytorch_gpu

# 安装 PyTorch 全家桶（注意 CUDA 版本）conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

import torch

# 检查 CUDA 是否可用
print(f"CUDA available: {torch.cuda.is_available()}")

# 显示当前设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"Using device: {device}")

# 创建测试张量
tensor = torch.randn(3,3).to(device)
print(tensor)

打开 File > Settings > Project: YourProject
选择 Python Interpreter
点击齿轮图标选择 Add...
选择 Conda Environment > Existing environment
找到你的 conda 环境路径（通常在 Anaconda 安装目录的 envs 文件夹下）

PyTorch 版本	CUDA 版本	cuDNN 版本
1.12.0	11.3	8.2
1.11.0	11.3	8.2
1.10.0	11.1	8.0

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

解决：

export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH

用 MNIST 数据集测试 CPU/GPU 速度差异：

import time

# CPU 版本
start = time.time()
# 训练代码...
print(f"CPU time: {time.time()-start:.2f}s")

# GPU 版本
model.to(device)
start = time.time()
# 训练代码...
print(f"GPU time: {time.time()-start:.2f}s")

典型结果对比：
– CPU：约 120 秒 /epoch
– GPU：约 15 秒 /epoch（GTX 1080Ti）

监控显存使用：