0.电脑环境

系统：win11
显卡：NVIDIA GTX1650
还有一个pyCharm，其他也用不到了，需要的文章中会进行说明

1.安装CUDA11.6

目前2023.03出来的pyToach2.0是用不到了，因为最低版本支持CUDA11.7。我的显卡是1650，驱动达不到CUDA11.7的要求，因此安装不了11.7。（主要原因是和女朋友端午旅游把我计划要买的4060TI 16G钱花掉了/(ㄒoㄒ)/~~，只能继续压榨我的我的小显卡了）。
pyToach2.0看说明是比1.13快很多，但是安装方式一样的，有好显卡的一定要安装CUDA11.7进而支持pyToach2.0
PyTorch的官网：官网
可以看的具体的依赖
在这里插入图片描述
显卡驱动和cuda对照

首先打开 cmd 命令窗口，输出如下命令：

nvidia-smi

可以看到，此时显示的表格中，有一个字段叫 CUDA Version，像我的界面是这样的：
在这里插入图片描述在这个官方网站：老黄的CUDA网站
找到11.6，下载它，三个都可以下载，随便选一个

说明：
安装cuda时，第一次会让设置临时解压目录，第二次会让设置安装目录；

临时解压路径，建议默认即可，也可以自定义。安装结束后，临时解压文件夹会自动删除；

安装目录，自定义最好；

注意：临时解压目录千万不要和cuda的安装路径设置成一样的，否则安装结束，会找不到安装目录

选择自定义安装

安装完成后，配置cuda的环境变量；

命令行中，测试是否安装成功；下面是具体安装步骤：

1）双击“exe文件”，选择下载路径，换一个其他的盘也可以。
在这里插入图片描述
一直确定
2）自定义安装，精简版本是下载好所有组件，并且会覆盖原有驱动，所以在这里推荐自定义下载

3）如果电脑上没有visual studio，后面会让下载，所以可以取消这个复选框

4）下面是比较重要的安装路径选择，建议先在自己电脑上安装软件的盘中先建立两个文件夹：
在这里插入图片描述
4.1) 然后将第一个和第三个目录更换为上面的CUDAToolkit，第二个目录更换为CUDASamples。记住安装目录

后面一直向下，然后就是查看一下环境变量了。点击设置–>搜索高级系统设置–>查看环境变量

上面的环境变量是自己生成的，无需手动配置。之后在cmd下查看是否可以使用命令：注意是大写V哦
在这里插入图片描述
这样就可以确定安装成功了。要注意自己的显卡驱动版本和cuda版本的对应，我的1650就可以安11.6了，显卡比我高的如果驱动版本不高可以升级驱动版本。

2.安装Anaconda3

下载官网：Anaconda官网，或者是清华镜像源镜像源，我感觉都可以下载
在这里插入图片描述

在这里插入图片描述
双击exe安装包，进行安装，
1）一直下一步到这里，选择所有用户

2）安装路径，还是推荐自定义

3）只选择第二项，第二项是说要默认使用python的版本，后期手动添加环境变量

4）安装完成

5）配置环境变量，点击path
在这里插入图片描述
5.1) 在编辑环境变量里，点击新建

5.2）新建下面这五个变量：xxx是自己的路径

D:\xxx\xxx\Anaconda3
D:\xxx\xxx\Anaconda3\Scripts
D:\xxx\xxx\Anaconda3\Library\bin
D:\xxx\xxx\Anaconda3\Library\mingw-w64\bin
D:\xxx\xxx\Anaconda3\Library\usr\bin

在这里插入图片描述
6）安装完成，验证，同时按 win + r ，输入cmd，在弹出的命令行查看anaconda版本，输入：
conda --version和python

可以看的正确的版本号以及python已托管至Anaconda。可以在电脑屏幕左下角的Windows徽标键这里，选择点击绿色圈圈Anaconda Navifator将其打开
在这里插入图片描述
7）接下来是镜像源的配置，这里踩坑很多，花了好几个小时才搞定，其他博客有通过命令配置的源的，然后一些包总是无法使用。这里提供一个简单的方式。进入c盘的用户路径下，点击.condarc文件，可以用记事本方式打开。
在这里插入图片描述
然后内容修改为如下内容，注意envs_dirs:

D://DeepLearingEnvironment//envs是自己的路径哦。

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
envs_dirs:
  - D://DeepLearingEnvironment//envs

编辑保存后，打开Anaconda查看镜像源，如下所示
在这里插入图片描述

点击configure Conda后，可以看到镜像源已更换

8）试着导入一下基础环境，如下所示，点击Environment下的base环境，等待加载后，可以看到环境导入完成，前面都有绿色的勾。而且速度快到飞起。至此，Anaconda也安装配置完成
在这里插入图片描述

3.在Anaconda中安装pyToacn1.13

先新建一个环境，我随便起名为pyToach1113

2）命令行添加环境，进入cmd下，输入

conda env list
antivate pyToach1113

2.1) 使用官方推荐命令安装pyToach，进入网站pyToach官网，选择这个标签页：
在这里插入图片描述
拉到下面，使用这个命令，注意是11.6哦

conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia

在这里插入图片描述
2.2) 等待漫长的命令执行完成，验证是否可以正常使用：

可以正常使用

4.尝试使用pyToach调用cuda

新建一个项目，环境选择刚才搞好的

2）输入如下代码

import time

import torch

if __name__ == '__main__':
    print("启动！！！")
    print("PyTorch版本：" + torch.__version__)
    print("PyTorch是否启动CUDA：", torch.cuda.is_available())

    matrix_a1 = torch.randn(15000, 9999)  # GPU运算量太大会爆显存
    matrix_b1 = torch.randn(9999, 15000)  # GPU运算量太大会爆显存

    t1 = time.time() #cpu运算前的时间
    matrix_c1 = torch.matmul(matrix_a1,matrix_b1) #cpu做矩阵相乘
    t2 = time.time() #cpu运算后的时间
    print("当前模式：",matrix_a1.device,"\t耗时：",t2-t1,matrix_c1.norm(2))

    gpu = torch.device("cuda")
    matrix_a2=matrix_a1.to(gpu)
    matrix_b2=matrix_b1.to(gpu)

    t3=time.time() #gpu运算前的时间
    matrix_c2=torch.matmul(matrix_a2,matrix_b2)
    t4=time.time() #gpu运算后的时间
    print("当前模式：", matrix_a2.device, "\t耗时：", t4 - t3, matrix_c2.norm(2))

    t5=time.time() #gpu运算前的时间
    matrix_c3=torch.matmul(matrix_a2,matrix_b2)
    t6=time.time() #gpu运算后的时间
    print("当前模式：", matrix_a2.device, "\t耗时：", t6 - t5, matrix_c3.norm(2))

计算一个矩阵乘法，对比一下cpu与gpu，结果如下：
在这里插入图片描述
可以看到目前已经启用了CUDA加速，且PyTorch的版本是1.13，安装成功。
因为GPU运算首次需要加载C++的包，依旧比CPU快了10多倍。第二次运算时C++的包已经加载完毕，比CPU快了将近1000倍（/(ㄒoㄒ)/~~是我的cpu跟不上gpu吗）。

3）但是，gpu计算出来的结果和cpu有些差距，看一下gpt的解释是：

通常情况下，GPU（图形处理单元）和CPU（中央处理单元）执行计算任务的方式和速度不同，这可能导致计算结果略有不同的情况。下面是一些可能导致GPU计算结果与CPU计算结果稍有不同的原因：
数值精度：GPU通常使用较低的数值精度来执行计算，例如使用32位浮点数（单精度）而不是64位浮点数（双精度）的CPU默认精度。这种精度差异可能会导致在某些情况下，GPU计算结果的舍入误差略微大于CPU计算结果。
并行计算：GPU通过并行计算大规模数据集来提高计算速度，而CPU通常是顺序执行。由于并行计算涉及到数据分割和任务分配，可能会存在微小的差异，尤其是在涉及非结合性操作（不满足交换律和结合律）时。
优化算法：GPU和CPU使用不同的指令集和优化算法来执行计算任务。这可能导致在某些情况下，GPU计算结果与CPU计算结果有细微差异。例如，某些特定的数学函数或优化算法在GPU上可能有不同的实现方式。
平台依赖性：GPU和CPU使用不同的硬件和驱动程序，可能存在平台依赖性问题。这可能会导致不同的硬件或驱动程序在执行计算时产生微小的差异。
需要注意的是，通常情况下，GPU计算结果与CPU计算结果之间的差异应该是非常小的，特别是对于大多数数值计算任务来说。如果存在较大的差异，可能是由于程序中的错误、数值稳定性问题或其他因素引起的，这时候需要进一步调查和分析问题。
为了确保结果的一致性，可以采取一些措施，如使用相同的数值精度、检查算法实现的一致性、验证代码的正确性，并进行平台和硬件的兼容性测试。