【PyTorch 学习】1. 简介与我的想法

PyTorch^[1][2]是当前主流的深度学习框架之一，Faceboook与2017年初开源出来，更简洁的api，深受学术界人士的喜爱，有人把它比作深度学习框架中的Python(Python在编程语言中也以简洁出名)。

• 目前在深度学习中有两个大的框架（当然还有很多其他框架），一是PyTorch，二是Google的Tensorflow，主流观点是tf在工程方面有优势，PyTorch在学术研究方面有优势。两个框架都在开源社区的推动下快速发展，目前都在成长期，更新也比较频繁。

我选择了学习PyTorch，主要是一开始涉猎dl就关注着它（具体是它开始支持Windows平台时候）。

§ PyTorch 安装

任何安装教程都具有时效性，尤其是处在旺盛开发阶段的项目，这点毋庸置疑。

我的安装环境是：

• 操作系统：Windows 11 家庭版 24H2
• 显卡：NVIDIA GeForce RTX 5070 Laptop GPU^[3]
• 显卡驱动版本：580.88
• Cuda版本：12.8
• Cudnn版本：9.12
• PyTorch版本：2.8

Cuda是Nvidia的技术，只支持一部分Nvidia显卡

一般安装过程是：

1. 更新驱动（最新稳定版驱动就行，也可以去官网下NVIDIA 驱动程序下载，选择显卡型号就可以）
2. 下载^[4][5][6]并安装Cuda，一般大版本的框架发布出来支持的cuda版本就是固定的，最新版cuda不是很好的选项
3. 下载^[7]cudnn（下载cudnn需要注册Nvidia开发者账号现在好像不用注册就能直接下到），解压并放到一个固定的路径（一般放到cuda安装路径，不过其实随便，最终要到系统环境变量里找的）
4. 配置环境变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\libnvvp

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\extras

C:\Program Files\NVIDIA\CUDNN\v9.12\bin\12.8

（其实还有CUDA_PATH和CUDA_PATH_V12_8，我觉得可选，就只是个根目录）

5. 验证Cuda:

nvcc -V

有cuda信息就行

6. 安装conda并创建pytorch虚拟环境

conda create -n pytorch python=3.12

7. 安装PyTorch，进入官网，点Get Started，选择项如下：
   
   激活pytorch虚拟环境：

conda activate pytorch

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

8. 验证PyTorch：

conda activate pytorch

python

Python 3.12.11 | packaged by Anaconda, Inc. | (main, Jun  5 2025, 12:58:53) [MSC v.1929 64 bit (AMD64)] on win32

Type "help", "copyright", "credits" or "license" for more information.

import torch  # 导包，导入报错就搜索下搜索引擎

torch.__version__

'2.8.0+cu128'

torch.version.cuda

'12.8'

torch.cuda.is_available()  # 输出 True 表示 CUDA 可用

True

torch.cuda.device_count()  # 显示可用 GPU 数量

1

torch.cuda.get_device_name(0)  # 显示第一个 GPU 的名称

'NVIDIA GeForce RTX 5070 Laptop GPU'

# cuda 测试

x = torch.tensor([1.])

x = x.cuda()  # 数据放置于 gpu

x

tensor([1.], device='cuda:0')

# cudnn 测试

from torch.backends import cudnn

cudnn.version()  # 显示 cuDNN 版本号

91002

cudnn.is_available()  # 输出 True 表示 cuDNN 可用

True

cudnn.is_acceptable(x)

True

§ 参考链接