PyTorch深度学习与企业级项目实战最新章节_宋立桓著

2.3　在Windows环境下安装GPU版的PyTorch

2.3.1　确认显卡是否支持CUDA

在深度学习中，我们经常要对图像数据进行处理和计算，而处理器CPU因为需要处理的事情多，并不能满足我们对图像处理和计算速度的要求，显卡GPU就是用来帮助CPU解决这个问题的，GPU特别擅长处理图像数据。

为什么GPU特别擅长处理图像数据呢？这是因为图像上的每个像素点都有被处理的需要，而且每个像素点处理的过程和方式都十分相似，GPU就是用很多简单的计算单元来完成大量的计算任务，类似于纯粹的人海战术。GPU不仅可以在图像处理领域大显身手，它还被用在科学计算、密码破解、数值分析、海量数据处理（比如排序、Map-Reduce）、金融分析等需要大规模并行计算的领域。

而CUDA（Compute Unified Device Architecture）是显卡厂商NVIDIA推出的只能用于自家GPU的并行计算架构，只有安装这个软件，才能够进行复杂的并行计算。该架构使GPU能够解决复杂的计算问题。它包含CUDA指令集架构（Instruction Set Architecture，ISA）以及GPU内部的并行计算引擎，安装CUDA之后，可以加快GPU的运算和处理速度，主流的深度学习框架也都是基于CUDA进行GPU并行加速的。

想要使用GPU加速，则需要安装CUDA，首先需要自己的计算机显卡支持CUDA的安装，也就是查看自己的计算机有没有NVIDA的独立显卡。在NVIDA官网列表（https://developer.nvidia.com/cuda-gpus）中可以查看自己的显卡型号是否包括在NVIDA列表中。

在计算机桌面上右击，在弹出的菜单中如果能找到NVIDIA控制面板，如图2-9所示，则说明该计算机配有GPU。

图2-9

打开NVIDIA控制面板窗口，可以查看NVIDIA的一些信息，包括显卡的驱动版本，通过单击“帮助”菜单，并选择“系统信息”选项，查看系统信息获取支持的CUDA版本。如图2-10所示，选择“组件”，在3D设置模块找到NVCUDA64.DLL，在该行可以看到该NVCUDA的版本，可以看到图中显示的版本是11.8。

图2-10

2.3.2　安装CUDA

我们已经知道，CUDA是显卡厂商NVIDIA推出的通用并行计算架构，能利用英伟达GPU的并行计算引擎。目前已经确认系统已有支持CUDA的显卡，这时可以到NVIDIA网站（https://developer.nvidia.com/cuda-toolkit-archive）下载CUDA，如图2-11所示。注意，安装CUDA Driver时，需要与Nvidia GPU Driver的版本驱动一致，CUDA才能找到显卡。

图2-11

根据实际情况选择合适的版本，比如计算机操作系统是Windows 10，这里下载CUDA 11.8.0的本地安装包，如图2-12所示。

图2-12

2.3.3　安装cuDNN

接下来下载与CUDA对应版本的cuDNN，cuDNN是用于深度神经网络的GPU加速库，下载地址为https://developer.nvidia.com/rdp/cudnn-archive，页面如图2-13所示。

图2-13

下载cuDNN，需要注册英伟达开发者计划的会员账号才能下载，如图2-14所示，读者请自行注册账户，加入会员。

进入下载页面后，注意不要选择错误的版本，一定要找到对应CUDA的版本号。另外，如果使用的是Windows 64位的操作系统，那么需要对应下载x86版本的cuDNN。

cuDNN就是个压缩包，解压会生成bin、include、lib三个目录（见图2-15），里面的文件复制到CUDA安装目录（这里是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0目录）下对应的目录即可。注意，不是替换文件夹，而是将文件放入对应的文件夹中。

图2-14

图2-15

接下来安装Visual Studio 2015、2017、2019和2022支持库，这个支持库务必安装，否则后面安装PyTorch支持库会出现各种“坑”。支持库不大，有十多兆字节，安装完成后重启系统。其下载地址为https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-160，下载页面如图2-16所示。