【图书推荐】《PyTorch深度学习与计算机视觉实践》-CSDN博客
假设读者电脑带有NVIDIA 20 以上系列的显卡。
我们以CUDA 11.7+cuDNN 8.2.0（其他更高版本的组合，读者可以执行查阅PyTorch官网获得）为例，讲解PyTorch 2.0 GPU版本的安装。对于GPU版本的PyTorch来说，由于调用了NVIDA显卡作为其代码运行的主要工具，因此额外需要NVIDA提供的运行库作为运行基础。
对于PyTorch 2.0的安装来说，最好的安装方法是根据官方提供的安装代码进行安装。PyTorch官方提供了两种安装模式。使用conda安装CUDA 11.7的代码如下：
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia
使用pip安装CUDA 11.7的代码如下：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
当然，读者也可以根据自己电脑的GPU配置要求，查阅PyTorch和CUDA官网，找到适合的PyTorch、CUDA、cuDNN软件版本进行搭配安装。
下面将以CUDA 11.7为例讲解安装的方法。
首先是CUDA的安装。百度搜索CUDA 11.7 download，进入官方下载页面，选择适合的操作系统安装方式（推荐使用local（本地化）安装方式），如图2-16所示。
图2-16 CUDA下载页面
此时下载下来的是一个EXE文件，读者自行安装，不要修改其中的路径信息，完全使用默认路径安装即可。
下一步就是下载和安装对应的cuDNN文件。cuDNN的下载需要先注册一个用户，相信读者可以很快完成，之后直接进入下载页面，如图2-17所示。从下载页面上可以看到，CUDA 11.x对应的cuDNN v8.2.0版本。
注意：不要选择错误的版本，一定要找到对应的版本号。另外，如果读者使用的是Windows 64位的操作系统，直接下载x86_64版本的cuDNN即可。
图2-17 cuDNN下载页面
下载的cuDNN是一个压缩文件，将其解压到CUDA安装目录，如图2-18所示。然后就是配置环境变量，这里需要将CUDA的运行路径加载到环境变量的PATH路径中，如图2-19所示。
图2-18 CUDA安装目录
图2-19 将CUDA路径加载到PATH中
最后完成PyTorch 2.0 GPU版本的安装，只需要输入下面代码测试一下。
import torchprint("PyTorch版本：", torch.__version__)
print("GPU是否可用：", torch.cuda.is_available()) # 查看GPU是否可用
print("GPU数量：", torch.cuda.device_count()) # 查看GPU数量
print("CUDA版本：", torch.version.cuda) # torch方法查看CUDA版本
print("GPU索引号：", torch.cuda.current_device()) # 查看GPU索引号
print("GPU名称：", torch.cuda.get_device_name(0)) # 根据索引号得到GPU名称《PyTorch深度学习与计算机视觉实践（人工智能技术丛书）》(王晓华)【摘要 书评 试读】- 京东图书 (jd.com)
