配置Pytorch环境（Win系统）

1. 确保事项

本文档仅针对Windows 10/11操作系统。

1.1. VSCode

首先要确保你已经安装好了VSCode这个代码编辑器，并且简略地知道如何使用它。

> 若未装`VSCode`可自行搜索如何安装，这里就不赘述。 > > 在最开始的文字里，我想说句题外话，我认为，我们是一群生活在数字信息化时代的现代人，当你遇到暂时解决不了的问题时，要优先思考该如何靠自己解决，你可以借助众多的数字工具，或Google，或chatGPT。只有当你探索未果后，才应该向他人求助。

本文中使用cmd的操作均可以在VSCode终端的cmd中使用，在VSCode中默认打开终端的快捷键是ctrl键和~键的组合键。注意cmd并非PowerShell。

VSCode也可以用Pycharm代替。

1.2. Conda

其次要确保你已经安装好了Conda这个环境管理工具，并且简略地知道该如何使用它。

若未装Conda我建议安装Miniconda，其相比Anaconda更节省存储空间，并且它完全没有可视化界面的特点能帮助你提升programing的水平。

当你在cmd中输入conda info时，得到报错输出时，你需要重点检查是否已经将conda添加到系统环境变量中。如下图：

当你在cmd中输入conda info时，得到非报错输出时，就可以了，例如：

个人建议1，如果你的C盘存储空间有限，我建议把默认cache和envs文件夹放到C盘之外的地方。

个人建议2，可以配置tsinghua镜像源，可以尽量避免出现一些下载连接超时的问题。

1.3. 硬件计算设备（GPU或CPU）

前面提到的VSCode和Conda都是软件工具。不过要搞AI，最不可或缺的东西是硬件设备，毕竟“巧妇难为无米之炊”。

然后要确保你的机器（比如笔记本电脑）上有能够用于deep learning的硬件计算设备，最好是一张NVIDIA的显卡（GPU）。无GPU的情况下就只能使用CPU，但CPU仅适合轻量级任务。

> 如果你已经决定在AI领域一展拳脚了，难道不应该给自己准备一个有力的设备吗？

若你有NVIDIA的显卡（简称N卡），请继续顺着看下去；若你无N卡，请你重新考虑你是否真的需要在你的本地机器上做deep learning（DL），这种情况我更推荐借助云平台来做DL，但如果你真的希望在本地做DL的话，请跳到4. 虚拟环境配置这一章。

字段	数据	说明
NVIDIA-SMI Version	`576.52`	NVIDIA 系统管理工具版本
Driver Version	`576.52`	显卡驱动版本（需与CUDA版本匹配）
CUDA Version	`12.9`	驱动支持的最高CUDA版本（非实际安装版本）

字段	数据	说明
GPU	`0`	第一块显卡（编号0）
Name	`NVIDIA GeForce RTX 5080`	显卡型号
Driver-Model	`WDDM`	Windows显示驱动模式（非计算优化模式）
Bus-Id	`00000000:01:00.0`	GPU硬件总线地址（用于多卡定位）
Disp.A	`On`	显卡当前连接显示器
Fan	`0%`	风扇停转（低负载时常见）
Temp	`41°C`	核心温度
Perf	`P5`	性能状态（P0=最高性能，P12=最低）
Pwr:Usage /Cap	`19W / 360W`	当前功耗19W，最大功耗360W
Memory-Usage	`4107MiB / 16303MiB`	显存占用4.1GB，总量16GB
GPU-Util	`1%`	GPU计算核心利用率（低负载）
Compute M.	`Default`	计算模式（`Default`为默认）
MIG M.	`N/A`	多实例GPU未启用

字段	数据	说明
GPU	`0`	占用GPU编号
PID	假设有`3216`	进程ID
Type	假设有`C+G`	进程类型（`C`=计算，`G`=图形）
Process name	假设有`ShellExperienceHost.exe`	进程名称
GPU Memory Usage	`N/A`	显存占用未显示（通常因图形渲染占用）

3. CUDA Toolkit及cuDNN

3.1. CUDA Toolkit

笔者在这里踩过坑，第一次是使用了CUDA 12.1和相应的cuDNN及pytorch，但在最后发现RTX 50系的显卡在这上面并不支持，所以换成了CUDA 12.9。

可以下载的CUDA Toolkit版本应该小于等于前文中显卡信息字段中的CUDA Version，官网链接：CUDA Toolkit 12.9 Update 1 Downloads（这里给的链接是CUDA 12.9，需要根据自己机器的情况来选择版本）

下载好后双击安装，这里的路径随意，只是一个临时的文件夹，待安装完成CUDA Toolkit后，该路径下的文件夹会自行删掉的。顺带提一下，安装的CUDA并不是这个路径，安装CUDA的路径是系统默认的装在C盘中的，应该是改不了的。

安装CUDA的过程很简单，一直点同意并继续或下一步就可以了。唯一一个要选择的地方选精简安装即可。（下图为笔者安装CUDA 12.1时的截图，CUDA 12.9与之类似）

在安装好CUDA后，可以在cmd中输入nvcc -V进行验证，如下图：

3.2. cuDNN

在安装好CUDA后，还需要安装cuDNN，注意cuDNN版本必须和CUDA匹配。官网链接：cuDNN 9.10.2 Downloads

下载好之后会得到一个.zip格式的压缩包，解压后会有三个文件夹（分别是bin、include、lib这三个文件夹）和一个LICENSE文件，然后需要把这三个文件夹复制粘贴到如下路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.9（如果你下载的CUDA不是12.9版本，请根据自己的版本号调整路径，这应该很简单吧？）

粘贴过去后，这一部分就大功告成了。

4. 虚拟环境配置

我们可以使用conda或pip来安装pytorch。

但是需要注意的是，pytorch 2.5版本是pytorch官方最后一个发布在conda上的版本，从2.6版本开始官方将不再通过conda提供预编译包。官方统计数据中使用pip安装方式（Wheel）的用户居多，且远高于conda（以2.0版本为例，两者占比约为96.3:3 .7）。

4.1. 创建并激活conda环境

我这里的conda环境命名为lucidcrucible，且安装python3.9（截至笔者写此文时，由于pytorch 2.7.1版本的要求，python版本不可以低于3.9）。环境名仅作为参考。

conda create -n lucidcrucible python=3.9
conda activate lucidcrucible

4.2. 通过pip安装pytorch

然后通过pytorch官网给出的下载命令下载，链接：Start Locally

基于前文中的配置以及GPU可用的情况，我们则可以直接使用下面的命令，但是在开始前请十分注意，当你在运行该命令时，务必确保你当前处于你希望安装pytorch的虚拟环境中，如下图中红圈所示，否则你会在你系统默认的python环境中安装pytorch，这可能会导致一系列麻烦的问题，这也是我们使用conda管理python的原因之一。

在你确定好当前环境正确后，就可以通过命令下载安装了：（截至本文写时，由于pytorch支持的最新计算平台还只是CUDA12.8，所以这里下载的是cu128，只要你本地安装的CUDA版本高于pytorch要求的CUDA版本即可，本文中安装的CUDA12.9很明显高于CUDA12.8。多嘴一句，这里的12.9并非nvidia-smi显卡信息字段中的CUDA Version，而是CUDA Toolkit处的12.9）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

请注意，如果你没有可用的GPU，那么你需要使用下面的命令，下载CPU版本的pytorch，而非GPU版本的pytorch：
Terminal window
pip3 install torch torchvision torchaudio

下载过程需要一定时间，请耐心一些。

当下载完成后，说明我们马上就要大功告成了！

最后，需要在你的虚拟环境中检查一下torch的安装情况、torch的版本以、CUDA（GPU加速）是否可用以及当前pytorch正在使用的GPU设备号。

在你的虚拟环境中输入：

python
import torch
torch.__version__
torch.cuda.is_available()
torch.cuda.current_device()

检查完成后，可以输入exit()退出python。

至此，大功告成！🤗🤗🤗

5. 总结

在Windows 10/11系统上配置pytorch环境，需要注意的关键点在几个点：

硬件计算设备，如GPU或CPU。
CUDA及cuDNN。
conda虚拟环境。（conda并非唯一选项）
pip安装pytorch。（pytorch自2.6版本及2.6版本之后不再支持conda安装）