三、前置环境搭建——CUDA
pytorch有cpu和gpu两个版本，区别是：
1、硬件要求：CPU版本运算只与CPU版本有关；GPU版本还需要额外链接N卡，可以通过N卡进行加速
2、运行速度：GPU版本比CPU版本在复杂数据和密集计算过程中的环境中更有优势
3、软件需求：GPU版本需要额外安装CUDA和cuDNN两个驱动程序。
4、兼容性，CPU版本取决于CPU的版本，GPU版本受限于CUDA的版本
| 显卡型号 | Pytorch版本 | CUDA | cuDNN |
| 10系列 | 2.0及以前 | 11.1 | 7.65 |
| 20系列以上的显卡 | 2.0版本 | 11.6以上 | 8.1以上 |
如果只是微调着玩玩则可以直接安装CPU版本，如果显卡配置较好则可以安装2.0以上的Pytorch
综上，结合本人配置和需求，安装的是GPU版本的Pytorch2.0版本。
1、查看你的显卡版本和适配的CUDA
鼠标右键、NVIDIA控制面板、左下角系统信息、进入后可以查看CUDA的版本（如我这个就是12.1版本）、
2、进入官网:
kCUDA Toolkit Archive | NVIDIA Developer、选择合适的版本、下载、
3、完成安装CUDA
下载完毕后、运行、
完成安装
4、查看环境变量（略）
如果没有的话需要自己添加、路径为安装路径+bin和安装路径+libnvvp
打开控制台，输入以下指令，如果出现后边这些说明完成了
四、cuDNN
1、cuDNN下载
进入官网：Log in | NVIDIA Developer
注册、勾选“I agree”、选择相应的版本
由于我的CUDA是12版本的，windows系统，所以选了这个：大框下边的第一个
2、解压
下载完毕后、解压、将三个文件夹中的文件复制、粘贴到同名文件夹下
把cuDNN看成CUDA的一个补丁，就可以理解了
如果忘记路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
3、配置环境变量
将以下四个路径复制到path中（其实只有中间三个）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
4、验证
打开cmd、cd到一下文件夹、分别执行两个.exe文件
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite
bandwidthTest.exe
五、安装pytorch
1、安装pytorch
这是最简单的一步：打开控制台输入：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
2、验证
编写下列程序，以你喜欢的方式：
import torch
result = torch.tensor(1) +torch.tensor(2.0)
print(result)输出：
打完！收工！
linux系统pytorch的安装：Linux安装显卡驱动、annaconda和CUDA（超详细）_linux cuda-CSDN博客
