当前位置：首页 > java >正文

CUDA安装，pytorch库安装

java 2025/8/25 19:55:18

一、CUDA安装

1.查看自己电脑适配的CUDA的最高版本

在命令提示符里输入nvidia-smi
表格右上角显示的CUDA版本是该电脑适配的最高版本
一般下载比该版本低一点的版本，因为会更稳定

由于本机没有GPU所以会出现这个报错，如果有GPU会出现如下报告：

2.安装CUDA

CUDA下载地址：
CUDA Toolkit Archive | NVIDIA Developer

得到下列画面，此时其内有各个版本的CUDA，选择尽量低于电脑版本的，防止有过高的版本不稳定的情况。

没有GPU的则不需要下载。

选择windows，x86，win11，一般选择local本地下载
推荐使用迅雷下载，浏览器下载很慢

选择默认路径安装即可。

自动检测系统兼容性

选择自定义安装

取消选项Visual Integration
如果计算机上已经安装了与CUDA版本相兼容的Visual Studio Integration文件，或者通过其他方式（如单独安装Visual Studio的插件）已经集成了CUDA支持，那么在安装CUDA时勾选“Visual Studio Integration”可能会导致冲突或重复安装，进而引发问题。

使用默认安装位置

安装位置不要动，使用默认的即可，防止出现问题

下一步直到安装完成：

3.检查环境变量是否配置，安装是否成功

可以在命令提示符输入set cuda 来查看环境变量是否配置

也可以在系统变量里查看有无上面的路径

最后在命令提示符输入nvcc -V 或者 nvcc --version查看安装好的CUDA版本及其信息

二、pytorch库安装

1、什么是torch

torch 通常指的是 PyTorch 库中的核心模块，是构建和训练深度学习模型的基础工具。
PyTorch 是由 Meta（原 Facebook）开发的开源机器学习框架，广泛用于科研和工业界。而 torch 模块是 PyTorch 的核心，提供了以下关键功能：
1. 张量操作：torch 提供了类似 NumPy 的多维数组（称为张量，Tensor），支持各种数学运算（加减乘除、矩阵运算、傅里叶变换等），且能高效运行在 CPU、GPU 等硬件上。
2. 自动求导：通过 torch.autograd 子模块实现自动微分功能，能自动计算张量操作的梯度，这是训练神经网络的核心机制。
3. 神经网络工具：包含构建神经网络的基础组件（如激活函数、卷积层、循环层等），通过 torch.nn 子模块提供。
4. 优化器：torch.optim 提供了各种优化算法（如 SGD、Adam 等），用于更新模型参数。
5. 设备管理：支持在 CPU 和 GPU 之间灵活切换张量和模型，只需使用 .to('cuda') 或 .to('cpu') 即可。
简单来说，torch 是 PyTorch 框架的 "引擎"，所有深度学习相关的核心操作都依赖于它。使用时通常通过 import torch 导入，然后进行张量创建、模型构建、训练等操作。

2、下载torch

进入pytorch官网，选择好需要的类别，然后将下列链接复制到浏览器打开，选择版本进行下载，因为torch所占内存太大，直接用其所给命令去命令提示符下载如果网络稍微有波动则会导致下载失败，所以直接去源网页下载，下列是官网入口：

复制下方红框里的网址

进入页面后下滑找到torch，点击进入

选择合适版本

按ctrl+f搜索网页内容，
找到符合条件的torch版本进行安装
- cp表示python解释器的版本，需要与自己所用的解释器版本一致
- cu表示CUDA版本，可以比自己下载的CUDA版本低
- torch选择1.0的版本，不要选择2.0及以后的版本

有GPU的下载

没有GPU的则需要下载CPU版本：

1、安装库

上述的链接既是下载链接，建议放入迅雷下载器下载，这个下载更快，其他的也行，怎么快怎么来。

下载完是如下的文件格式，然后打开命令提示符，使用命令pip install 文件地址，即可安装。如下图所示：

pip install C:\Users\19947\Desktop\新建文件夹 (3)\torch-1.13.0+cu117-cp310-cp310-win_amd64.whl

2、检查是否安装成功

命令提示符输入命令pip list即可查看

3、torchaudio库是什么

torchaudio是一个基于PyTorch的音频处理库。它提供了一系列用于加载、转换和处理音频数据的函数和类。torchaudio支持多种音频格式，包括wav、mp3、flac等，并提供了一些基本的音频处理功能，如音频剪辑、音频格式转换等。通过torchaudio，用户可以方便地在PyTorch中进行音频数据的处理和建模。