2.2　安装PyTorch 2.0

Python运行环境调试完毕后，接下来的任务便是安装本书的核心组件——PyTorch 2.0。PyTorch作为当下热门的深度学习框架，为研究者和开发者提供了灵活且高效的工具来构建和训练神经网络。其2.0版本的推出，更是带来了诸多新特性和性能优化，进一步提升了用户体验。

2.2.1　NVIDIA 10/20/30/40系列显卡选择的GPU版本

目前市场上有NVIDIA 10/20/30/40系列显卡，对于需要调用专用编译器的PyTorch来说，不同的显卡需要安装不同的依赖计算包。作者在此总结了不同显卡的PyTorch版本以及CUDA和cuDNN的对应关系，如表2-1所示，推荐读者使用20及以上系列的显卡。

下面以PyTorch 2.0为例，演示完整的CUDA和cuDNN的安装步骤，不同版本的安装过程基本一致。

2.2.2　PyTorch 2.0 GPU NVIDIA运行库的安装

本小节讲解PyTorch 2.0 GPU版本的前置软件的安装。对于GPU版本的PyTorch来说，由于调用了NVIDIA显卡作为其代码运行的主要工具，因此额外需要NVIDIA提供的运行库作为运行基础。

我们选择PyTorch 2.0.1版本进行讲解。对于PyTorch 2.0的安装来说，最好的方法是根据官方提供的安装命令进行安装，具体参考官方文档https://pytorch.org/get-started/previous-versions/。从页面上可以看到，针对Windows版本的PyTorch 2.0.1，官方提供了几种安装模式，分别对应CUDA 11.7、CUDA 11.8和CPU only。使用conda安装的命令如下：

下面以CUDA 11.8+cuDNN 8.9为例讲解安装的方法。

（1）首先是CUDA的安装。在百度搜索CUDA 11.8 download，进入官方下载页面，选择适合的操作系统安装方式（推荐使用exe(local)本地化安装方式），如图2-15所示。

此时下载下来的是一个EXE文件，读者可自行安装，不要修改其中的路径信息，完全使用默认路径安装即可。

（2）下载和安装对应的cuDNN文件。要下载cuDNN，需要先注册，相信读者可以很快完成，之后直接进入下载页面，如图2-16所示。

（3）下载的cuDNN是一个压缩文件，将它解压并把所有的目录复制到CUDA安装主目录中（直接覆盖原来的目录）。CUDA安装主目录如图2-17所示。

（4）确认PATH环境变量，这里需要将CUDA的运行路径加载到环境变量的PATH路径中。安装CUDA时，安装向导能自动加入这个环境变量值，确认一下即可，如图2-18所示。

（5）最后完成PyTorch 2.0.1 GPU版本的安装，只需在Miniconda Prompt窗口中执行本小节开始给出的PyTorch安装命令即可。

     # CUDA 11.8
     conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8
-c pytorch -c nvidia

2.2.3　Hello PyTorch

至此，我们已经完成了PyTorch 2.0的安装。下面使用PyTorch 2.0做一个小练习——Hello PyTorch。打开Miniconda Prompt窗口，执行python命令并依次输入如下命令，验证安装是否成功。

import torch
result = torch.tensor(1) + torch.tensor(2.0)
result

结果如图2-19所示。

或者打开前面安装的PyCharm IDE，先新建一个项目，再新建一个hello_pytorch.py文件，输入如下代码：

import torch
result = torch.tensor(1) + torch.tensor(2.0)
print(result)

最终结果请读者自行验证。 Pg3BHjHVv/+SLNfxMxYJ/oyouD/7PdiQNiJKMdzlLFgM6gh00xQMYbUbR9N9//rx