2.2.2　PyTorch 2.0 GPU Nvidia运行库的安装——以CUDA 11.7+cuDNN 8.2.0为例

从CPU版本的PyTorch开始深度学习之旅完全是可以的，但不是作者推荐的方式。相对于GPU版本的PyTorch来说，在运行速度方面CPU版本存在着极大的劣势，很有可能会让读者的深度学习止步于前。

如果读者的电脑不支持GPU，可以直接使用PyTorch 2.0 CPU版本的安装命令：

    pip install numpy --pre torch torchvision torchaudio --force-reinstall
--extra-index-url https://download.pytorch.org/whl/nightly/cpu

如果读者的电脑支持GPU，则继续下面本小节的重头戏，PyTorch 2.0 GPU版本的前置软件的安装。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，最好根据官方提供的安装代码进行安装，如图2-17所示。在这里PyTorch官方提供了两种安装模式，分别对应CUDA 11.7与CUDA 11.8。

图2-17　PyTorch官网提供的配置信息

从图中可以看到，这里提供了两种不同的CUDA版本的安装，作者经过测试，无论是使用CUDA 11.7还是CUDA 11.8，在PyTorch 2.0的程序编写上没有显著的区别，因此读者可以根据安装配置自行选择。下面以CUDA 11.7为例讲解安装的方法。

（1）CUDA的安装。在百度搜索CUDA 11.7 download，进入官方下载页面，选择合适的操作系统安装方式（推荐使用local本地化安装方式），如图2-18所示。

图2-18　CUDA下载页面

此时下载的是一个.exe文件，读者自行安装，不要修改其中的路径信息，使用默认路径安装即可。

（2）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2-19所示。注意：不要选择错误的版本，一定要找到对应的版本号，另外，如果使用的是Windows 64位的操作系统，那么直接下载x86版本的cuDNN即可。

图2-19　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2-20所示。

图2-20　解压cuDNN文件

（3）配置环境变量，这里需要将CUDA的运行路径加到环境变量Path的值中，如图2-21所示。如果cuDNN是使用.exe文件安装的，那这个环境变量自动就配置好了，读者只要验证一下即可。

图2-21　配置环境变量

（4）安装PyTorch及相关软件。从图2-17可以看到，对应CUDA 11.7的安装命令如下：

    conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c
nvidia

如果读者直接安装Python，没有按2.1.1节安装Miniconda，则PyTorch安装命令如下：

    pip3 install torch torchvision torchaudio --index-url
https://download.pytorch.org/whl/cu117

完成PyTorch 2.0 GPU版本的安装后，接下来验证一下PyTorch是否安装成功。