1. 环境准备：检查硬件与驱动
刚拿到一台带NVIDIA显卡的新电脑时，别急着装软件。我见过太多人一上来就猛敲命令，结果发现显卡驱动都没装对。咱们先做两件事：
检查显卡型号：右键桌面空白处，如果能看到"NVIDIA控制面板"选项，说明基础驱动已安装。没有的话需要先去 NVIDIA官网 下载驱动。我推荐选择"Studio驱动"而非"Game Ready"驱动，前者对深度学习更稳定。
验证CUDA兼容性：按Win+R输入cmd打开命令行，输入：
nvidia-smi你会看到类似这样的输出：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 515.65.01 Driver Version: 516.94 CUDA Version: 11.7 | |-------------------------------+----------------------+----------------------+这里有个关键细节：显示的CUDA Version只是驱动支持的最高版本，不代表已安装CUDA。我的RTX 3090在这里显示11.7，但实际安装了CUDA 11.6也能正常工作。
注意：如果遇到"nvidia-smi不是内部命令"，说明驱动没装好。建议用DDU工具彻底卸载旧驱动后重装。
2. 安装CUDA Toolkit
2.1 版本选择策略
CUDA版本不是越新越好，得看PyTorch官方支持哪些版本。截至2024年7月，PyTorch 2.3稳定版支持CUDA 11.8和12.1。我建议选择CUDA 11.8，因为：
- 兼容更多旧显卡（如GTX 10系列）
- 社区资源更丰富
- 避免最新版的潜在bug
重要原则：CUDA版本≤驱动支持的版本（前面nvidia-smi显示的版本）
2.2 具体安装步骤
- 访问 NVIDIA CUDA Toolkit Archive
- 选择CUDA 11.8.0（注意选win10/win11版本）
- 安装类型选"自定义"→取消勾选"Visual Studio Integration"（除非你要做C++开发）
安装完成后，在命令行验证：
nvcc -V应该看到类似输出：
nvcc: NVIDIA (R) Cuda compiler version 11.8.892.3 环境变量配置
系统会自动添加CUDA_PATH变量，但我们需要手动添加两个路径到Path：
%CUDA_PATH%\bin%CUDA_PATH%\libnvvp
验证是否生效：
set PATH检查输出中是否包含上述路径。
3. 安装cuDNN
3.1 下载匹配版本
cuDNN相当于CUDA的"加速包"，必须严格匹配CUDA版本。对于CUDA 11.8：
- 访问 NVIDIA cuDNN官网 （需要注册账号）
- 下载"cuDNN v8.6.0 for CUDA 11.x"的ZIP包
3.2 文件部署
解压后你会看到三个文件夹：
binincludelib
把它们全部复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8覆盖原文件夹。注意是覆盖不是合并！
3.3 验证安装
进入CUDA安装目录的demo_suite文件夹：
cd "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite"依次运行：
bandwidthTest.exe deviceQuery.exe看到"Result = PASS"才算成功。我遇到过deviceQuery报错的情况，通常是驱动问题，用DDU清理后重装驱动就能解决。
4. Anaconda环境配置
4.1 安装注意事项
下载Anaconda时建议：
- 勾选"Add to PATH"（虽然官方不推荐，但对新手更方便）
- 安装路径不要有中文和空格
- 安装完成后在开始菜单打开"Anaconda Prompt"测试
验证安装：
conda --version4.2 创建虚拟环境
强烈建议为PyTorch创建独立环境：
conda create -n pytorch_gpu python=3.9 conda activate pytorch_gpu这里选择Python 3.9是因为它：
- 比3.10更稳定
- 兼容更多库
- 是多数教程使用的版本
5. 安装GPU版PyTorch
5.1 官方安装命令
在激活的虚拟环境中运行：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia这个命令会自动处理所有依赖，包括：
- CUDA运行时库
- cuDNN
- 必要的Python包
避坑提示：别用pip安装！conda能更好地处理CUDA依赖。我实测pip安装经常出现
libcudart.so找不到的问题。
5.2 验证GPU加速
在Python中运行：
import torch print(torch.__version__) # 应该显示2.x.x+cu118 print(torch.cuda.is_available()) # 必须返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号如果is_available()返回False，试试这个诊断脚本：
from torch.utils.collect_env import get_pretty_env_info print(get_pretty_env_info())检查输出中的CUDA used to build PyTorch是否匹配你的CUDA版本。
6. 开发环境集成
6.1 Jupyter Notebook配置
在虚拟环境中安装：
conda install ipykernel python -m ipykernel install --user --name=pytorch_gpu --display-name="Python (PyTorch GPU)"启动Jupyter后，记得在Kernel菜单选择刚创建的内核。常见问题：
- 内核启动失败 → 尝试
conda install nb_conda_kernels - 找不到模块 → 检查是否在正确环境中安装
6.2 PyCharm配置
- 新建项目时选择"Previously configured interpreter"
- 点击右侧齿轮图标→Add→Conda Environment
- 选择Existing environment，路径通常是：
C:\Users\<你的用户名>\anaconda3\envs\pytorch_gpu\python.exe7. 常见问题解决方案
问题1：CUDA out of memory
- 降低batch size
- 运行
torch.cuda.empty_cache() - 检查是否有其他程序占用显存
问题2：DLL load failed
- 确认环境变量PATH包含CUDA的bin路径
- 重新安装VC++ 2019运行时库
- 可能是cuDNN版本不匹配
问题3：训练时GPU利用率低
- 检查数据加载是否用到了
DataLoader的num_workers - 使用
torch.backends.cudnn.benchmark = True - 可能是CPU到GPU的数据传输瓶颈
最后分享一个实用技巧：在Anaconda Prompt里设置alias快速切换环境：
doskey ptorch=conda activate pytorch_gpu $* doskey base=conda activate base $*这样输入ptorch就能快速进入PyTorch环境。
