php备份网站衣服定制的app有哪些
PyTorch 的 CUDA GPU 支持 · 安装五条铁律（最新版 2025 修订）（适用于所有用户）-CSDN博客
是否需要预先安装 CUDA Toolkit？——按使用场景分级推荐及进阶说明-CSDN博客
“100% 成功的 PyTorch CUDA GPU 支持” 安装攻略_torch cuda 安装-CSDN博客
🚀【CUDA GPU 支持安装全攻略】PyTorch 深度学习开发者指南
面向对象：初学者、研究人员、生产部署人员
适用平台：Windows / Linux / WSL / 容器环境等全平台支持
📌 一、环境准备与平台说明
无论你使用的是 Windows、Linux 还是 WSL，使用 PyTorch 支持 GPU 的前提都是：
-
安装并正确配置 NVIDIA 显卡驱动
-
系统支持 CUDA GPU
-
PyTorch 安装包使用了合适的 CUDA 后端版本
| 平台 | GPU 驱动安装方式 | 推荐系统 |
|---|---|---|
| Windows | 安装 NVIDIA 官方驱动 .exe | Windows 10/11 x64 |
| Linux | 使用包管理器（如 apt/dnf）或 .run 安装包 | Ubuntu / Fedora / RHEL |
| WSL2 | Windows 端驱动统一控制 GPU，WSL 子系统只需更新内核支持 | Ubuntu on WSL2 |
我们推荐使用 WSL2 + Ubuntu 22.04 的组合，在 Windows 上也能获得 Linux 级别的性能和兼容性。
📌 二、NVIDIA 驱动安装与 GPU 验证
驱动是 CUDA 的基础，必须先装好！
✅ 驱动安装完毕后，请执行：
nvidia-smi
确认输出类似以下内容：
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 576.02 Driver Version: 576.02 CUDA Version: 12.9 |
|-----------------------------------------+------------------------+----------------------+
| GPU Name Driver-Model | 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 3090 WDDM | 00000000:01:00.0 Off | N/A |
| 0% 46C P8 21W / 350W | 10246MiB / 24576MiB | 0% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
📌 三、CUDA 与 cuDNN 版本对应关系
支持矩阵 — NVIDIA cuDNN 后端
一般情况下无需手动安装 CUDA Toolkit 或 cuDNN（除非你要编译源码或开发底层 CUDA 程序）。但理解版本兼容很重要。
| CUDA 版本 | 支持的 cuDNN 版本 | PyTorch 支持状态 |
|---|---|---|
| 12.1 | cuDNN 9.x | ✅ 支持 |
| 11.8 | cuDNN 8.6.x | ✅ 支持 |
| 11.7 | cuDNN 8.5.x | ✅ 支持 |
| 11.6 | cuDNN 8.4.x | ✅ 支持 |
| ≤11.3 | 已过时 | ❌ 不建议使用 |
📎 PyTorch 的安装包已经包含了 runtime 所需的 cudart + cuDNN 动态库，无需重复安装！
📌 四、PyTorch 与 CUDA 的兼容性（选版本必看）
请始终通过 PyTorch 官网获取与当前驱动兼容的 PyTorch + CUDA 对组合版本。
🎯 举例：常用组合参考
| PyTorch 版本 | CUDA 后端 | pip 安装命令 |
|---|---|---|
| 2.2.x | cu121 | pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 |
| 2.1.x | cu118 | --index-url https://download.pytorch.org/whl/cu118 |
| 1.13.x | cu117 | --index-url https://download.pytorch.org/whl/cu117 |
如需安装 CPU 版本，可直接：
pip install torch torchvision torchaudio
📌 五、PyTorch 安装方式详解
✅ 推荐方式一：pip 安装（适用所有平台）
# 安装 CUDA 12.1 后端版本
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
✅ 推荐方式二：conda 安装（适用 Anaconda 环境）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
⚠️ 源码编译（进阶用户专用）
用于自定义构建 PyTorch 或开发自定义 CUDA 内核的情况，需要：
CUDA 工具包 12.9 Update 1 下载 |NVIDIA 开发人员
cuDNN 9.10.2 下载 |NVIDIA 开发人员
-
安装 CUDA Toolkit 与 cuDNN
-
设置环境变量
CUDA_HOME ( CUDA12.6+ 之后会自动处理环境变量的设置) -
使用
python setup.py install编译
📌 六、GPU 环境验证步骤（安装完成后必须执行）
import torch # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__) # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device) # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available()) # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled) # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z) # 输出张量 z 的内容终端验证（用于确认驱动状态）：
nvidia-smi
📌 七、多 GPU 或指定 GPU 的使用方式
PyTorch 支持多 GPU，只需通过索引编号设置：
device = torch.device("cuda:0") # 使用第一张 GPU
model.to(device)
遍历所有 GPU 名称：
for i in range(torch.cuda.device_count()):print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
推荐使用 torch.nn.DataParallel 或 torch.distributed 进行多卡训练。
📌 八、性能测试与环境诊断（可选）
运行以下脚本测试矩阵乘法性能（浮点运算）：
import torch
import timex = torch.rand(5000, 5000, device='cuda')
y = torch.rand(5000, 5000, device='cuda')torch.cuda.synchronize()
start = time.time()for _ in range(10):z = x @ ytorch.cuda.synchronize()
print("10 次 matmul 用时：", time.time() - start, "秒")
✅ 总结回顾
我们建议按以下顺序执行：
-
安装 GPU 驱动，确认
nvidia-smi正常 -
安装 PyTorch 对应 CUDA 后端版本（官网推荐为准）
-
验证 GPU 是否可用（
torch.cuda.is_available()） -
如果需要，自定义 GPU 编号、管理多 GPU 环境
-
可选进行性能基准测试或深度模型推理测试