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！
- 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。
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：
- 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。
- 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。
- 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CUDA，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。
