1. 硬件准备与驱动检查刚接触深度学习的同学可能对GPU加速充满期待但首先要确认你的设备是否支持。我遇到过不少朋友兴冲冲开始安装结果发现显卡根本不兼容白白浪费半天时间。Win11系统对NVIDIA显卡的支持相当友好不过还是需要做些基础检查。打开任务管理器切换到性能选项卡查看是否有独立显卡通常是NVIDIA GTX/RTX系列。如果没有独立显卡那后续的CUDA安装就无从谈起了。我用的是一台搭载RTX 3060的游戏本这里就以这个配置为例。接下来检查驱动版本右键桌面空白处选择NVIDIA控制面板如果没有这个选项说明驱动可能没装好。在控制面板左下角点击系统信息可以看到详细的驱动版本号。比如我当前显示的是536.40这个数字很重要它决定了你能安装的CUDA版本上限。注意建议通过GeForce Experience保持驱动更新到最新稳定版但不要选择Studio驱动除非你同时需要视频编辑等创作应用。有个常见误区是认为驱动越新越好。实际上我遇到过新驱动与CUDA工具包不兼容的情况这时候需要回退驱动版本。NVIDIA官网有详细的驱动-CUDA版本对照表建议安装前先查阅。比如CUDA 12.1要求驱动版本至少为530.30.02我的536.40完全满足要求。2. CUDA工具包安装实战2.1 版本选择策略CUDA版本选择是个技术活不能简单选最新的。Pytorch官方通常会对特定CUDA版本做深度优化比如当前Pytorch 2.1.x最稳定的搭配是CUDA 11.8或12.1。我建议新手选择CUDA 11.8这个长寿版本社区支持更完善。到NVIDIA官网下载CUDA Toolkit时会看到三种安装类型本地安装包exe、网络安装包和补丁包。我强烈建议下载exe本地安装包体积虽然大些约3GB但安装过程更可靠。网络安装包经常因为国内网络问题中途失败这种坑我踩过不止一次。2.2 自定义安装要点运行安装程序时关键步骤在组件选择界面。默认会勾选很多组件但实际必需的就三个CUDA工具包本体CUDA开发文档可选CUDA示例代码学习用其他如Nsight系列工具、Visual Studio集成等除非你确定需要否则建议取消勾选。我第一次安装时全选默认结果C盘直接被吃掉20GB空间后来重装才清理干净。安装路径建议保持默认的C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8。有些教程会建议改到其他盘但这可能导致后续cuDNN配置出错。安装完成后在cmd运行nvcc -V应该能看到版本信息。3. cuDNN配置技巧3.1 文件替换的艺术cuDNN的安装其实不是传统意义上的安装而是文件替换过程。下载的cuDNN压缩包解压后你会看到bin、include、lib三个文件夹。需要把这些文件夹里的内容复制到CUDA安装目录的对应文件夹中。这里有个细节很容易出错复制时应该保持目录结构不变。也就是说是把bin里的文件复制到CUDA的bin目录而不是把整个bin文件夹覆盖过去。我第一次操作时就犯了这个错误导致CUDA环境完全崩溃。3.2 环境变量配置虽然现代CUDA安装会自动配置大部分环境变量但还是建议手动检查系统变量Path中应该包含C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\binC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp新建系统变量CUDA_PATH指向CUDA安装根目录验证安装成功可以运行官方示例cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\extras\demo_suite bandwidthTest.exe如果看到Result PASS说明GPU通信正常。4. Pytorch安装与验证4.1 Conda环境管理我强烈建议为每个Pytorch项目创建独立的conda环境。比如新建一个py38环境conda create -n py38 python3.8 conda activate py38Python版本选择很关键Pytorch 2.x要求Python≥3.8但某些第三方库可能还不支持Python 3.11所以3.8是个安全的选择。4.2 安装命令的玄机Pytorch官网提供的安装命令会包含-c pytorch -c nvidia参数这两个通道优先级最高。但在国内可能会遇到网络问题这时候可以尝试清华镜像源conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/安装完成后验证步骤不能少import torch print(torch.__version__) # 应该显示2.1.x print(torch.cuda.is_available()) # 必须返回True print(torch.cuda.get_device_name(0)) # 显示你的显卡型号5. PyCharm终极集成5.1 解释器配置在PyCharm中创建新项目时关键是要选择正确的conda环境。我推荐这样操作打开Add Python Interpreter对话框选择Conda Environment勾选Existing environment路径指向你的Anaconda安装路径\envs\py38\python.exe5.2 测试脚本新建一个test.py运行以下代码验证环境import torch device torch.device(cuda if torch.cuda.is_available() else cpu) x torch.rand(5, 3).to(device) print(x)如果看到类似下面的输出说明GPU加速正常工作tensor([[0.1234, 0.5678, 0.9012], [0.3456, 0.7890, 0.1234], [0.5678, 0.9012, 0.3456], [0.7890, 0.1234, 0.5678], [0.9012, 0.3456, 0.7890]], devicecuda:0)6. 常见问题排查6.1 版本冲突解决最头疼的问题莫过于版本不匹配。我总结了个排查清单驱动版本是否支持当前CUDA运行nvidia-smi查看驱动版本CUDA版本是否被Pytorch支持查阅Pytorch官网的版本对照表Python版本是否符合要求Pytorch 2.x需要Python≥3.86.2 环境隔离建议遇到难以解决的依赖冲突时可以尝试conda create --name clean_env --clone base conda activate clean_env conda install --strict-channel-priority pytorch这会创建一个干净的环境避免之前安装的包造成干扰。7. 性能优化技巧7.1 基准测试方法安装完成后建议运行简单基准测试import torch # 矩阵乘法测试 a torch.randn(10000, 10000).cuda() b torch.randn(10000, 10000).cuda() %timeit torch.matmul(a, b) # 应该比CPU快10倍以上7.2 内存管理GPU内存不足是常见问题可以通过这些方法缓解使用torch.cuda.empty_cache()及时释放缓存减小batch size使用混合精度训练from torch.cuda.amp import autocast with autocast(): # 前向计算代码配置过程中如果遇到卡壳不妨先休息会儿。我当初被一个驱动冲突问题困扰了两天后来发现是Windows自动更新了驱动回退版本就解决了。有时候最复杂的问题解决方法反而最简单。