相关链接与前情提要#

• Anaconda
• Pytorch
• Tensorflow

Pytorch是一个深度学习框架，一般使用Python语言进行调用；

Anaconda是一个Python版本、包管理工具，可以在一台机器上创建多个conda环境，每个conda环境使用不同的Python版本和包，而pytorch就是一个包；

Cuda是NVIDIA推出的并行计算平台和编程模型，安装NVIDIA显卡驱动，即可自带所支持的Cuda。对于pytorch等深度学习框架来说，就是可以加速计算、训练。

使用anaconda管理python版本#

进入 Anaconda下载地址，这里下载miniconda即可，只是用到conda来管理环境，安装过后添加系统环境变量：

conda相关命令：

1
# 检查当前的conda环境(默认创建了base环境，搭配了最新版本的Python解释器)
2
conda env list
3
# 创建新的conda环境(以python3.11的"pytorch"环境为例)("pytorch"为conda环境名)
4
conda create -n pytorch python=3.11 -y
5
# 激活(进入)目标环境"pytorch"
6
conda activate pytorch
7
# 检查当前环境中的包、库(会列出通过conda、pip安装的包、库)
8
conda list
9
# 删除目标环境("pytorch"为例)
10
conda env remove -n pytorch

Pytorch-GPU 安装#

Pytorch-GPU版需要拥有NVIDIA支持Cuda的显卡，可以用该命令检查是否安装NVIDIA驱动和Cuda版本：nvidia-smi

进入Pytorch快速开始页面，选择 Stable->Windows->Pip->Python->(选择≤你的Cuda版本号)，复制命令。

回到powershell终端，进入创建好的pytorch虚拟环境(conda activate pytorch)，输入命令安装即可(Cuda13为例)：pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130

1
import torch
2
print(torch.cuda.is_available())

TensorFlow-GPU 安装#

这里针对Windows Native的NVIDIA显卡版本的TensorFlow，幽默的是，在 TensorFlow的中文安装页面 中，提示安装的TensorFlow2是CPU、GPU混合最新版本：pip install --upgrade tensorflow

而TensorFlow对Windows原生NVIDIA显卡支持的GPU版最终版本是TensorFlow2.10, 最新版本在笔者此时已经是2.21了，绝对不可能支持Cuda；但将该页面改为英文指引，却赫然写明了 TensorFlow 2.10 was the last TensorFlow release that supported GPU on native-Windows. 这让不少人踩了坑。

那么我们便按照 英文指引 来安装tensorflow-gpu版：

1. 创建conda环境：conda create -n tf python=3.9 -y
2. 激活conda环境：conda activate tf
3. 安装cuda和cuDNN：conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
4. 安装TensorFlow：pip install "tensorflow<2.11"
5. 验证CPU配置：python -c "import tensorflow as tf; print(tf.reduce_sum(tf.random.normal([1000, 1000])))"
6. 验证GPU配置：python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

在验证安装环节，由于tensorflow2.10是使用的numpy1.x，而笔者此时miniconda自带的是numpy2.x，遇到报错，只需要对numpy进行降级：pip install "numpy<2"

下面给出笔者的验证响应，说明笔者已经成功安装：

1
# CPU配置
2
tf.Tensor(-1373.9692, shape=(), dtype=float32)
3
# GPU配置
4
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]