Win10+GTX1660Ti+CUDA10.1+cuDNN v7.6.4+Anaconda+PyCharm配置GPU版本PyT...

超详细的步骤（细品你会有意想不到的收获） 前言：虽然配置PyTorch踩的坑要比caffe少的多，但在配置过程中还是遇到了些问题（比如如何选择显卡驱动、CUDA、cuDNN版本，三者之间依赖关系，为社么使用Anaconda、PyCharm等），网上涉猎的资料大部分只是“授人以鱼”。虽然费尽周折最终配置成功，但仍然稀里糊涂，所以本着“授人以鱼不如授人以渔”的原则，参考官方文档详细写下了PyTorch的配置过程，希望能够帮助到和我一样困惑的童鞋。本人能力有限，如有不妥之处还希望谅解。 配置过程中所有软件： 软件链接：https://pan.baidu.com/s/1bMbPR4cWORZ8gXlc 在本文中，我们将详细探讨如何在Windows 10操作系统上，使用NVIDIA GTX 1660 Ti显卡，CUDA 10.1，cuDNN v7.6.4，Anaconda和PyCharm来配置GPU支持的PyTorch环境。我们需要确保拥有一个适合深度学习的显卡，例如GTX 1660 Ti。 **1. 显卡驱动配置** 在开始之前，确保你的NVIDIA显卡驱动是最新的。你可以访问NVIDIA官方网站下载并安装适合GTX 1660 Ti的最新驱动程序。这将确保显卡能够与CUDA和cuDNN顺畅配合。 **2. CUDA安装** CUDA是NVIDIA提供的用于GPU计算的并行计算平台和编程模型。对于CUDA 10.1，你需要访问NVIDIA的CUDA Toolkit下载页面，根据你的系统需求下载并安装。安装过程中注意选择自定义安装，并勾选开发工具和示例，以便后续使用。 **3. cuDNN配置** cuDNN是NVIDIA提供的深度学习库，加速了卷积神经网络（CNN）的训练和推理。安装cuDNN时，应确保其版本与CUDA版本兼容。对于CUDA 10.1，你应该下载cuDNN v7.6.4。下载后解压并将库文件复制到CUDA安装目录下的相应子目录。 **4. Anaconda环境创建** Anaconda是一个流行的Python分发版，用于管理和创建虚拟环境。通过Anaconda，我们可以轻松地管理不同项目所需的Python版本和依赖项。访问Anaconda官网下载并安装。之后，打开Anaconda Prompt，创建一个新的环境，如`torch_gpu`，并指定Python版本，例如`conda create -n torch_gpu python=3.7`。激活新环境`conda activate torch_gpu`。 **5. PyTorch安装** 在激活的环境中，我们可以通过pip安装GPU版PyTorch。确保你的环境已经包含所需的CUDA和cuDNN版本。然后，根据PyTorch官网提供的安装指令，例如`pip install torch==1.4.0 torchvision==0.5.0 -f https://download.pytorch.org/whl/torch_stable.html`进行安装。等待安装完成，检查是否成功，可以在Python交互式环境中运行`import torch; import torchvision; print(torch.__version__); print(torch.cuda.is_available())`。如果输出正确的PyTorch版本号并且`torch.cuda.is_available()`返回`True`，则表明GPU版PyTorch已成功安装。 **6. PyCharm配置** PyCharm是一款强大的Python IDE，可以帮助我们编写和调试代码。下载并安装PyCharm后，配置Anaconda环境作为解释器。在PyCharm中，进入`File > Settings > Project Interpreter`，点击加号，选择Conda Environment，然后选择刚刚创建的`torch_gpu`环境。这样，PyCharm就可以在该环境中运行PyTorch代码了。 总结，配置GPU版PyTorch涉及多个步骤，包括显卡驱动、CUDA、cuDNN的安装，Anaconda环境创建，以及PyTorch的安装和验证。理解这些组件之间的依赖关系，以及如何正确配置它们，是成功搭建深度学习环境的关键。希望这个超详细的指南能帮助你顺利配置并开始你的PyTorch之旅。