Pytorch、CUDA 和 cuDNN 的安装图文详解 win11（解决版本匹配问题）

本文已收录于 Pytorch 系列专栏： Pytorch入门与实践 专栏旨在详解 Pytorch，精炼地总结重点，面向入门学习者，掌握 Pytorch 框架，为数据分析，机器学习及深度学习的代码能力打下坚实的基础。免费订阅，持续更新。

可能出现的问题：

• CUDA 和 cuDNN 版本不匹配

• CUDA 和 Pytorch 版本不匹配

• cuDNN 和 Pytorch 版本不匹配

• 显卡不支持 CUDA 该版本

• 已经装完部分，发现版本不匹配准备卸载。

说在前面的话！

1. 在 ubuntu 系统下，可以尝试装多个 cuda 版本，然后通过 conda 安装对应的 Pytorch 版本。通过软连接的方式来实现 cuda 版本的切换。**但是，在 win 系统下，最好是用相同的支持版本，以免不匹配。**不用纠结是否向下兼容等等问题，最优的方法就是安装相同的版本。

2. 对于 CUDA 的版本，我推荐用以往的稳定版本，就是指目前还在一直维护的比较旧的版本，原因有很多：

3. 比较旧的版本有强大的社区支持，可以方便地找到前人总结地 bug 解决方案，而不是遇到最新问题时能力不够导致的一筹莫展。

4. 较旧的版本至今仍在维护，说明其仍有很大的价值，用户基数很多，能确保开发的流畅与稳定。

5. 由于学术界和工业界都喜欢用比较稳定的版本来搭建模型，因此如果想要复现论文，或是 pull 别人的代码修改，较新的版本很有可能会出现错误。

CUDA 的安装

1.查询支持的最高版本

首先安装之前要先检查我们显卡所支持的最高的 CUDA 版本：

目前是 11.6 的驱动，因此我的显卡最高是可以支持到 CUDA11.6 版本的。

知道了我们的最高支持版本之后，我们就可以在小于等于该版本的 CUDA 中选择了。

2.查询 Pytoch 与 cuDNN 版本

首先不用着急挑选 CUDA 的版本。我们先看下pytorch以及cuDNN的版本支持情况。

Pytorch：https://pytorch.org/

cuDNN：https://developer.nvidia.com/rdp/cudnn-archive

可以看到对于 win 系统，Pytorch 支持的版本有 10.2，11.3，11.6 等。

cuDNN 支持的版本有 10.2，11.5，11.4 等等。

这里我推荐装 10.2 或者 11.3，原因见开头，不多做赘述。这里以 11.3 为例。

3.下载 CUDA

在 CUDAhttps://developer.nvidia.com/cuda-toolkit-archive中，寻找CUDA Toolkit 11.3版本，然后寻找相应的版本下载即可。

4.安装 CUDA

安装 CUDA，首先需要选择 CUDA 的临时解压路径，这个临时解压文件夹会在安装完成后自动删除，这里建议默认。

解压完成后会有安装程序，同意即可。接下来的安装选项选择自定义：

在安装 CUDA 中取消这个 VS 有关的组件：

底下这三个也没必要，可安可不安，看个人选择：

安装路径仍然建议默认，在 Program Files 中，方便以后寻找。建议记住这里的 CUDA 路径。

然后一直确认最后关闭即可，这里不多赘述。

5.验证 CUDA 是否安装成功

我们在cmd中使用 cd 命令切换到刚刚 CUDA 的安装路径下的 bin(二进制)文件夹下，再执行 nvcc -V 命令。

可见 CUDA 是正确安装的。

cuDNN 的安装

在 cuDNN 的版本中，选择支持该版本的 CUDA 即可，这里我们看到 v8.5.0 的 cuDNN 支持 CUDA 11.X，说明兼容 cuda11.x 全系列。点击下载即可。

接下来，解压该压缩包，然后复制其中的文件夹

粘贴到 CUDA 的安装目录下，即完成了 cuDNN 的安装。

验证是否安装成功

在 cmd 中进入到 demo 文件夹：路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\extras\demo_suite

执行bandwidthTest.exe，如果运行结果出现了 PASS 即代表安装成功。

再输入命令deviceQuery.exe查询设备。

这里会显示你的 GPU 型号，以及 PASS，表示 CUDA 和 cuDNN 都安装成功了。

Pytorch 安装

进入 Pytorch 官网https://pytorch.org/，选择需要安装的 pytorch 版本。这里安装方式可以选择 pip。可以看到有生成的 command，里面有个网站，只需要进入该网址下载即可。

下载 torch

由于我们安装的 torch 版本为 Stable1.12.1，因此我们需要查找前缀为：torch-1.12.1的文件。注意找的是 GPU 版本，cuxxx 代表 CUDA 版本 xxx。这里我们找到对应的 cu113，然后点击下载。cp 代表 python 版本，这里我们选择 cp37 版本的 win 下载。

然后返回，进入 torchvision。

下载 torchvision

torchvision 的版本选择最新就好，但是要与 cuda 及 python 匹配，这里直接搜索cu113-cp37

下载对应的版本即可。

新建 pycharm 创建项目，新建项目名称为 PytorchTest， 文件名为 HelloPytorch。输入以下代码测试

import torch
print("Hello Pytorch{}".format(torch.__version__))

结果报错，ModuleNotFoundError: No module named 'torch'，因为当前环境没有 torch。

我们可以用 conda 创建虚拟环境并安装 torch。

首先再 Terminal 中输入conda create -n pytorch-gpu python=3.7，这里 python 版本与我们要安装的版本相同。

出现 Proceed ([y]/n)? 直接输入 y 即可。

接着输入conda activate pytorch_gpu激活环境。

注意：进入 conda 虚拟环境后 venv 前面的提示会变成你的环境名称，如下：

如果没有显示，则可能因为 pycharm 终端采用的是 PowerShell。需要在设置中切换。

换成如图所示的 cmd 终端即可。

进入终端后切换到下载刚刚 torch 和 torchvision 的文件夹中

cd D:\Develop\pytorch_install //因人而异，cd到你的下载torch和torchvision的文件夹中即可。

用 pip 安装 torch

pip install "torch-1.12.1+cu113-cp37-cp37m-win_amd64.whl"

用 pip 安装 torchvision

pip install "torchvision-0.13.1+cu113-cp37-cp37m-win_amd64.whl"

完成安装

安装完成后，需要绑定该项目的解释器为这个虚拟环境。因此需要设置：

找到该项目的 Python 解释器，然后点击齿轮，选择 add：

选择 conda，找到已经存在的环境：

查找你的 anaconda 安装的目录

这里可以搜索 anaconda 并打开文件位置。

然后继续右键打开文件位置即可。

打开后找到 envs（环境）文件夹。

找到刚刚创建的环境，复制文件路径到 pycharm。

在 pycharm 中选择该文件路径下的 python.exe 解释器即可

然后一直 ok，等待 python 解释器的重载即可，可能需要等一分钟。

然后重新尝试测试代码并运行。

import torch
print("Hello Pytorch{}".format(torch.__version__))
print(torch.cuda.is_available())

返回 true 说明安装成功。

CUDA 的卸载

首先，搜索控制面板并打开

找到程序卸载

可以在列表中找到有关于 NVIDIA 的相关组件，找到有关于 CUDA 的组件并卸载即可，其他的可以保留，因为高于该版本的 CUDA 会更新其他组件的。（本质上临近时间安装的都能卸载）

右键 -> 卸载 然后在卸载程序中卸载即可。剩下的方法类似。

最后不放心的话可以用火绒等软件清理一下注册表。