为深度学习设置 NVIDIA GPU

第 1 步：NVIDIA 显卡驱动程序

您应该安装最新版本的显卡驱动程序。您可以从以下链接下载驱动程序：

• NVIDIA GPU 驱动程序下载

第 2 步：Visual Studio C++

您需要安装包含 C++ 支持的 Visual Studio。默认情况下，Visual Studio 并不包含 C++ 组件，因此请确保选中所有 C++ 相关选项。

• Visual Studio Community Edition

第 3 步：Anaconda/Miniconda

您需要使用 Anaconda 来安装所有的深度学习相关包。

• 下载 Anaconda

第 4 步：CUDA 工具包

• 下载 CUDA 工具包

第 5 步：cuDNN

• 下载 cuDNN

第 6 步：安装 PyTorch

• 安装 PyTorch

最后，运行以下脚本来测试您的 GPU

import torch

print("GPU 数量: ", torch.cuda.device_count())
print("GPU 名称: ", torch.cuda.get_device_name())


device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('使用的设备:', device)

Setup-NVIDIA-GPU-for-Deep-Learning 快速上手指南

本指南旨在帮助中国开发者在 Windows 环境下快速配置 NVIDIA GPU 深度学习环境。

环境准备

在开始之前，请确保满足以下系统要求：

• 操作系统：Windows 10/11 (64 位)
• 硬件：NVIDIA GPU (支持 CUDA 架构)
• 网络：建议配置国内镜像源以加速下载（如清华源、中科大源）

安装步骤

请按顺序完成以下六个步骤的安装：

1. 安装 NVIDIA 显卡驱动

下载并安装最新版本的显卡驱动。

• 下载地址：NVIDIA 驱动下载
• 操作：选择对应的显卡型号和操作系统，下载后运行安装程序。

2. 安装 Visual Studio C++

深度学习编译需要 C++ 构建工具。

• 下载地址：Visual Studio Community Edition
• 操作：安装时务必勾选 "使用 C++ 的桌面开发" (Desktop development with C++) 工作负载，默认不包含此项。

3. 安装 Anaconda/Miniconda

用于管理 Python 环境和深度学习包。

• 下载地址：Anaconda 下载
• 国内加速：推荐使用 清华大学开源软件镜像站 下载。
• 操作：运行安装程序，建议勾选 "Add Anaconda to PATH" (或安装后手动配置环境变量)。

4. 安装 CUDA Toolkit

安装与显卡驱动匹配的 CUDA 版本。

• 下载地址：CUDA Toolkit Archive
• 注意：请根据 PyTorch 要求的版本选择对应的 CUDA 版本（通常推荐 11.8 或 12.1）。

5. 安装 cuDNN

下载并配置 cuDNN 加速库。

• 下载地址：cuDNN Archive
• 操作：
  1. 登录 NVIDIA 账号下载对应 CUDA 版本的 cuDNN。
  2. 解压文件，将 bin、include、lib 文件夹内的内容复制到 CUDA 安装目录（默认为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X）的对应文件夹中。

6. 安装 PyTorch

使用 Conda 安装带有 GPU 支持的 PyTorch。

• 官方安装页：Install PyTorch
• 国内镜像安装命令示例 (以 CUDA 11.8 为例)：

  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
  

  (注：具体 pytorch-cuda 版本号请参考 PyTorch 官网最新推荐)

基本使用

创建一个新的 Python 文件（例如 test_gpu.py），运行以下代码验证 GPU 是否可用：

import torch

print("Number of GPU: ", torch.cuda.device_count())
print("GPU Name: ", torch.cuda.get_device_name())


device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('Using device:', device)

如果输出显示 Using device: cuda 并列出了您的显卡名称，则说明环境配置成功。