news 2026/6/12 17:24:43

在Windows系统上安装PyTorch GPU版：从零到成功运行的过程记录

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
在Windows系统上安装PyTorch GPU版：从零到成功运行的过程记录

作为深度学习研究者或开发者，能够利用GPU加速模型训练是提高工作效率的关键。本文将详细介绍如何在Windows系统上成功安装并配置PyTorch GPU版本，让你能够充分利用NVIDIA显卡的计算能力。

第一步：检查当前系统环境

在开始安装之前，我们首先需要了解当前的硬件和驱动情况。

1.1 查看GPU信息

打开命令提示符（CMD）或PowerShell，输入以下命令：

nvidia-smi

根据你的输出，我们可以看到：

+-----------------------------------------------------------------------------------------+ | NVIDIA-SMI 551.86 Driver Version: 551.86 CUDA Version: 12.4 | |-----------------------------------------+------------------------+----------------------+ | GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |=========================================+========================+======================| | 0 NVIDIA GeForce RTX 3050 WDDM | 00000000:01:00.0 On | N/A | | 31% 30C P8 4W / 70W | 1337MiB / 6144MiB | 6% Default | +-----------------------------------------+------------------------+----------------------+

关键信息解读：

  • 驱动版本: 551.86
  • CUDA版本: 12.4
  • GPU型号: NVIDIA GeForce RTX 3050
  • 显存: 6GB

1.2 检查Python版本

确保你已经安装了Python 3.8（或其他兼容版本）：

python --version

第二步：安装CUDA Toolkit

2.1 下载合适的CUDA版本

根据nvidia-smi显示的CUDA版本（12.4），我们需要安装对应的CUDA Toolkit：

  1. 访问NVIDIA CUDA Toolkit Archive
  2. 选择CUDA 12.4版本（与驱动兼容）
  3. 选择Windows系统对应的安装包

2.2 安装CUDA Toolkit

  1. 运行下载的安装程序
  2. 选择"自定义安装"
  3. 建议保持默认选项，但可以取消Visual Studio集成（如果你不需要）
  4. 完成安装后，验证安装：
nvcc --version

第三步：安装cuDNN

3.1 下载cuDNN

  1. 访问cuDNN Archive
  2. 选择与CUDA 12.4兼容的cuDNN版本
  3. 需要注册NVIDIA账户（免费）

3.2 安装cuDNN

  1. 下载ZIP文件后解压
  2. 将解压后的文件复制到CUDA安装目录：
    • 将bin文件夹内容复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
    • 将include文件夹内容复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\include
    • 将lib文件夹内容复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\lib

第四步：安装PyTorch GPU版本

4.1 选择合适的PyTorch版本

由于我们使用的是CUDA 12.1/12.4，建议使用对应的PyTorch版本。

4.2 使用pip安装

打开命令提示符或PowerShell，运行以下命令：

pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 --trusted-host download.pytorch.org

参数说明：

  • --index-url: 指定PyTorch的CUDA 12.1版本仓库
  • --trusted-host: 信任该主机，避免SSL验证问题

注意：虽然nvidia-smi显示CUDA 12.4，但PyTorch官方提供的是CUDA 12.1版本，这两个版本通常是兼容的。

4.3 替代安装方法

如果你遇到网络问题，可以使用清华镜像源：

pipinstalltorch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

第五步：验证安装

5.1 创建测试脚本

创建一个Python文件（如test_gpu.py），包含以下代码：

importtorchprint("=== PyTorch GPU检测 ===")print(f"PyTorch版本:{torch.__version__}")print(f"CUDA是否可用:{torch.cuda.is_available()}")print(f"CUDA版本:{torch.version.cuda}")iftorch.cuda.is_available():print(f"GPU数量:{torch.cuda.device_count()}")foriinrange(torch.cuda.device_count()):print(f"\n--- GPU{i}---")print(f"名称:{torch.cuda.get_device_name(i)}")print(f"内存总量:{torch.cuda.get_device_properties(i).total_memory/1e9:.2f}GB")print(f"当前内存使用:{torch.cuda.memory_allocated(i)/1e9:.2f}GB")print(f"最大内存使用:{torch.cuda.max_memory_allocated(i)/1e9:.2f}GB")# 简单张量计算测试print("\n=== GPU计算测试 ===")device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")x=torch.randn(10000,10000).to(device)y=torch.randn(10000,10000).to(device)z=torch.matmul(x,y)print(f"矩阵计算完成，结果形状:{z.shape}")print("✅ GPU加速工作正常！")else:print("\n❌ CUDA不可用！可能的原因：")print("1. 没有安装CUDA版本的PyTorch")print("2. NVIDIA驱动太旧")print("3. PyTorch与CUDA版本不匹配")print("4. CUDA/cuDNN没有正确安装")print("5. 系统PATH环境变量未正确配置")

5.2 运行测试

python test_gpu.py

5.3 预期成功输出

=== PyTorch GPU检测 === PyTorch版本: 2.3.0+cu121 CUDA是否可用: True CUDA版本: 12.1 --- GPU 0 --- 名称: NVIDIA GeForce RTX 3050 内存总量: 6.00 GB 当前内存使用: 0.00 GB 最大内存使用: 0.00 GB === GPU计算测试 === 矩阵计算完成，结果形状: torch.Size([10000, 10000]) ✅ GPU加速工作正常！

第六步：常见问题解决

6.1 CUDA不可用

如果torch.cuda.is_available()返回False：

  1. 检查驱动版本：确保NVIDIA驱动是最新的
  2. 验证CUDA安装：运行nvcc --version确认CUDA已安装
  3. 检查环境变量：确保CUDA路径已添加到系统PATH
  4. 重新安装PyTorch：使用正确的CUDA版本

6.2 安装速度慢

  • 使用国内镜像源
  • 使用conda安装（如果需要）：
condainstallpytorch torchvision torchaudio pytorch-cuda=12.1-c pytorch -c nvidia

6.3 版本冲突

如果遇到版本冲突，建议创建虚拟环境：

# 创建虚拟环境python -m venv pytorch_gpu# 激活虚拟环境（Windows）pytorch_gpu\Scripts\activate# 在虚拟环境中安装pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

第七步：性能优化建议

7.1 设置GPU内存分配策略

# 在代码开头添加torch.cuda.empty_cache()torch.backends.cudnn.benchmark=True# 自动优化卷积算法

7.2 监控GPU使用情况

使用以下命令实时监控GPU状态：

# 每隔1秒刷新一次nvidia-smi -l1

总结

通过以上步骤，你应该已经成功在Windows系统上安装了PyTorch GPU版本。关键要点：

  1. 版本匹配至关重要：确保驱动、CUDA、cuDNN和PyTorch版本兼容
  2. 按顺序安装：驱动 → CUDA → cuDNN → PyTorch
  3. 验证每一步：使用命令行工具验证每个组件的安装
  4. 利用虚拟环境：避免包冲突，保持环境清洁

现在你可以开始使用GPU加速的PyTorch进行深度学习项目开发了！如果遇到任何问题，欢迎在评论区留言讨论。

相关资源链接：

  • PyTorch官方安装指南
  • NVIDIA驱动下载
  • CUDA Toolkit Archive
  • cuDNN Archive

至此记录完毕，respect！

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/6/12 10:51:51

AI智能体(Agent)开发全攻略：概念、设计到安全运行，程序员必学

本文详解AI智能体的本质区别、三大核心特征及落地路径，涵盖模型选型、工具定义、指令配置等关键组件，解析单智能体与多智能体编排模式，并强调安全护栏体系的重要性，为开发者提供从0到1构建智能体的完整路线图，助力抢占…

作者头像 李华
网站建设 2026/6/12 4:15:40

LLM RAG开发进阶：多查询检索技术详解与实战代码

本文详细介绍了LLM应用中RAG开发的三个关键步骤和六个优化阶段，重点阐述了多查询检索策略如何提升检索准确性。通过生成多个角度的子问题进行检索并合并结果，有效克服传统相似性搜索的局限。文章提供了LangChain中MultiQueryRetriever的具体实现代码和优…

作者头像 李华
网站建设 2026/6/12 6:23:02

广东省考备考三要素（喻明公考）

材料结构化面试备考要注意的方面有很多，但是抓住关键才能有效备考。在实际的学习中，喻明公考提醒各位考生有三个备考的关键要素需要深入把握。一、学好普通结构化材料结构化归根到底还是在普通结构化的基础上进行的创新，背景材料对作答有指导…

作者头像 李华
网站建设 2026/6/12 19:35:05

好写作AI｜学术萌新救星：你的“论文私教”如何把知识喂到嘴边

写论文像在迷宫里裸奔？别慌！你的“学术导航仪”已上线各位刚踏入学术圈的萌新们，是不是觉得论文写作就像突然被扔进深海却没人教游泳？面对“文献综述”、“研究方法”这些专业术语一脸懵？别怕！今天给你们安…

作者头像 李华
网站建设 2026/6/11 6:00:36

【紧急预警】环境指标悄然变化！用R语言快速识别趋势拐点的方法

第一章：环境监测的 R 语言趋势检验在环境科学领域，长期监测数据的趋势分析对于评估气候变化、污染水平演变及生态响应至关重要。R 语言凭借其强大的统计建模与可视化能力，成为执行环境趋势检验的首选工具。常用方法包括Mann-Kendall非参数趋势…

作者头像 李华
网站建设 2026/6/12 9:58:49

揭秘高产农田背后的算法秘密：R语言如何改变传统农业决策

第一章：农业产量的 R 语言种植建议模型在现代农业数据分析中，R 语言因其强大的统计建模与可视化能力，被广泛应用于作物产量预测和种植策略优化。通过整合气象数据、土壤特征与历史收成记录，可构建一个基于回归分析与机器学习的种植…

作者头像 李华