一、为什么要单独安装 PyTorch GPU 环境

上一篇文章中，我已经完成了 Windows 11 下 Anaconda 与 PyCharm 的基础配置，包括 Anaconda 安装、conda 虚拟环境创建、PyCharm 解释器配置和测试代码运行。

这一篇继续记录 PyTorch GPU 版的安装过程。

之所以单独创建一个 PyTorch 环境，是因为深度学习项目通常会涉及 torch、torchvision、torchaudio、CUDA、OpenCV 等多个库，不同项目之间可能存在版本差异。如果把这些库都安装到 base 环境或之前的 Python 基础学习环境中，后续容易出现版本冲突。

因此，本次安装采用单独的 conda 虚拟环境，用于后续 PyTorch 入门、图像分类、YOLO 目标检测和计算机视觉项目练习。

二、安装前准备

本次环境配置目标如下：

系统：Windows 11
显卡：NVIDIA GeForce RTX 4060 Ti
环境管理工具：Anaconda
开发工具：PyCharm
Python 版本：Python 3.10
安装目标：PyTorch GPU 版

需要注意的是，PyTorch GPU 版主要适合带有 NVIDIA 显卡的电脑。如果电脑没有 NVIDIA 显卡，也可以安装 CPU 版 PyTorch，只是后续训练深度学习模型时速度会慢一些。

三、安装显卡的最新驱动

访问英伟达官网，根据电脑型号下载对应最新驱动

点击‘查找’

下载安装即可。

四、查看 NVIDIA 显卡与 CUDA 支持情况

在安装 PyTorch GPU 版之前，首先需要确认电脑是否能够识别 NVIDIA 显卡。

打开 CMD 或 PowerShell，输入：

nvidia-smi

如果能够正常显示 NVIDIA 显卡信息，说明显卡驱动基本正常。

CUDA Version 表示当前显卡驱动支持的 CUDA 版本上限。

需要注意：这里显示的 CUDA Version 通常指的是显卡驱动支持的 CUDA 版本，不等于必须单独安装对应版本的 CUDA Toolkit。一般情况下，安装 PyTorch 官方提供的 CUDA 版本即可。

如果输入 nvidia-smi 后提示不是内部或外部命令，可能是 NVIDIA 驱动没有正确安装，或者当前电脑没有 NVIDIA 显卡。

五、创建 PyTorch 专用 conda 虚拟环境

打开 Anaconda Prompt，创建一个专门用于 PyTorch 的虚拟环境：

conda create -n pytorch-gpu python=3.10

环境创建完成后，激活该环境：

conda activate pytorch

如果命令行前面从：

(base)

变成：

(pytorch-gpu)

说明已经成功进入 pytorch 环境。

可以继续输入：

python --version

检查当前环境中的 Python 版本。

六、从 PyTorch 官网选择安装命令

接下来进入 PyTorch 官方安装页面：

PyTorch 官方安装页面

在官网中根据自己的电脑情况选择安装命令。一般需要选择以下几项：

官网会根据选择自动生成安装命令。

这里建议优先使用官网生成的命令，不建议直接复制网上旧教程中的命令。因为 PyTorch、CUDA 和 torchvision 等版本会更新，旧命令可能已经不适合当前环境。

如果电脑有 NVIDIA 显卡，选择 CUDA 对应版本；如果没有 NVIDIA 显卡，可以选择 CPU 版本。

七、测试 PyTorch 是否安装成功

安装完成后，可以先测试 PyTorch 是否能够正常导入。

在当前 pytorch 环境中输入：

python

进入 Python 交互界面后输入：

import torch

print(torch.__version__)

如果能够正常输出 PyTorch 版本号，说明 PyTorch 已经安装成功。

也可以直接在命令行中运行：

python -c "import torch; print(torch.__version__)"

如果没有报错，并且能够显示版本号，说明安装成功。

八、测试 CUDA 是否可用

安装 PyTorch GPU 版之后，最关键的一步是检查 CUDA 是否可用。

在 Python 中输入：

import torch

print(torch.cuda.is_available())
print(torch.version.cuda)
print(torch.cuda.device_count())

如果输出结果中：

torch.cuda.is_available() 为 True

说明 PyTorch 可以调用 GPU。

也可以进行一个简单的张量测试：

import torch

x = torch.rand(3, 3)
print(x)

if torch.cuda.is_available():
    x = x.cuda()
    print(x)
    print(torch.cuda.get_device_name(0))

如果张量能够成功转移到 GPU 上，并且能够显示显卡名称，说明 PyTorch GPU 版基本配置成功。

九、在 PyCharm 中配置 PyTorch 环境

PyTorch 安装完成后，如果要在 PyCharm 中运行代码，还需要选择对应的 Python 解释器。

进入 PyCharm 后，新建项目或打开已有项目，选择解释器时不要选择 base 环境，选择刚刚创建的 pytorch-gpu 环境中的 python.exe。

路径一般类似于：

Anaconda安装目录\envs\pytorch\python.exe

配置完成后，在 PyCharm 中新建一个测试文件，例如：

test_torch.py

输入：

import torch

print("PyTorch版本：", torch.__version__)
print("CUDA是否可用：", torch.cuda.is_available())

if torch.cuda.is_available():
    print("CUDA版本：", torch.version.cuda)
    print("GPU名称：", torch.cuda.get_device_name(0))

运行后，如果能够正常输出 PyTorch 版本，并且 torch.cuda.is_available() 显示为 True，说明 PyCharm 中也已经成功使用了 PyTorch GPU 环境。

十、常见问题与避坑

1. 为什么要单独创建 pytorch 环境？

因为 PyTorch、CUDA、torchvision、YOLO 等相关库可能存在版本依赖。如果全部安装到 base 环境中，后续容易发生库版本冲突。单独创建环境更方便管理，也更容易排查问题。

2. nvidia-smi 能显示 CUDA Version，是否还要单独安装 CUDA Toolkit？

一般新手安装 PyTorch 时，不一定需要单独安装 CUDA Toolkit。通过 PyTorch 官网命令安装 GPU 版 PyTorch 时，相关 CUDA 运行时依赖通常会随 PyTorch 一起安装。关键是显卡驱动需要正常，安装命令要选择对应的 CUDA 版本。

3. torch.cuda.is_available() 显示 False 怎么办？

常见原因包括：

安装成了 CPU 版 PyTorch
没有 NVIDIA 显卡
NVIDIA 驱动异常或版本过旧
PyCharm 选择了错误解释器
没有在 pytorch 环境中运行代码

可以先检查：

nvidia-smi

再检查当前 Python 环境：

conda info --envs

确认当前是否处于 pytorch 环境。

4. 为什么命令行能用，PyCharm 里不能用？

这种情况通常是 PyCharm 解释器选错了。需要在 PyCharm 中选择 pytorch 虚拟环境下的 python.exe，而不是系统 Python、base 环境或其他环境。

5. 安装速度很慢怎么办？

可以先确认网络情况。PyTorch 安装包较大，尤其是 GPU 版本，下载时间可能较长。建议保持网络稳定，不要中途中断安装。也可以根据实际情况使用镜像源，但 PyTorch GPU 版最好优先参考官网命令，避免装错版本。

6. pip 和 conda 选择哪个安装？

两种方式都可以。对于新手来说，建议优先使用 PyTorch 官网当前推荐并生成的命令。本文以官网命令为准，具体使用 pip 还是 conda，可以根据官网选择器和当前网络环境决定。