Anaconda安装PyTorch GPU版的实现步骤

新手保姆级教程：Anaconda安装PyTorch GPU版+PyCharm完美适配

💡 本篇为深度学习环境配置实操笔记，全程无冗余操作、指令可直接复制，适配Windows系统+NVIDIA显卡，同时补充全机型PyTorch版本选型规则，零门槛上手。

前言

刚入坑深度学习，配置PyTorch环境总是频繁踩坑？要么误装CPU版跑不动大模型，要么GPU调用失败，好不容易装好环境还不会在PyCharm里调用？

本篇基于Anaconda+NVIDIA RTX4060实操，从环境创建、PyTorch安装到IDE适配，一步一指令，新手直接抄作业。同时补充不同电脑的PyTorch版本匹配方法，告别版本冲突，实现GPU加速自由。

一、前期准备与环境自检

1. 必备前提

• 已安装Anaconda（用于隔离Python环境，杜绝包冲突）
• 电脑搭载NVIDIA独立显卡（AMD显卡、Intel核显仅支持CPU版PyTorch）

2. 显卡与CUDA支持检测

打开开始菜单，找到并启动Anaconda Prompt，输入以下命令查看显卡信息：

nvidia-smi

正常输出显卡详情即代表驱动正常，重点关注右上角CUDA Version（代表显卡最高支持的CUDA版本，向下兼容）。

关键结论：只要NVIDIA驱动正常，无需手动下载安装CUDA Toolkit，PyTorch会自带对应运行依赖，普通用户不用额外配置！

二、必看：不同电脑如何选对PyTorch版本

很多人安装失败，核心原因是版本不匹配。先搞清楚自己的硬件和系统，再选安装命令，一步到位不返工。

1. 按显卡类型区分（核心判断）

2. 按系统与CUDA版本适配

• Windows/Linux系统：优先CUDA12.1（主流稳定版），新显卡/新驱动直接冲
• Mac系统（Intel芯片）：仅支持CPU版PyTorch
• Mac系统（M1/M2/M3芯片）：选官网对应Metal加速版本，无CUDA概念

3. 快速获取官方适配命令

前往 PyTorch官网，按提示选择：系统→包管理器（Conda）→Python→CUDA版本，直接复制生成的命令即可，杜绝手动改错。

三、核心实操：创建独立环境+安装GPU版PyTorch

⚠️ 为什么不建议在base环境安装？

base是Anaconda默认核心环境，直接安装第三方包极易引发版本冲突、环境崩溃。新建独立虚拟环境，能实现框架隔离，后续重置、切换都更便捷。

步骤1：创建PyTorch专用环境

在Anaconda Prompt中执行命令，环境名设为pytorch，Python3.10兼容性最优：

conda create -n pytorch python=3.10

弹出提示Proceed ([y]/n)?，输入y回车，等待环境创建完成。

步骤2：激活PyTorch环境

创建完毕后，执行命令切换至专属环境：

conda activate pytorch

当命令行前缀从(base)变为(pytorch)，代表环境激活成功。

步骤3：安装GPU版PyTorch（RTX4060专属命令）

在激活的pytorch环境中，执行适配CUDA12.1的命令（兼容RTX4060的CUDA12.5驱动）：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

中途提示确认依旧输入y，等待下载安装完成，全程无需手动配置其他依赖。

📌 老旧显卡替换命令（CUDA11.8）：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

📌 无独显CPU版命令：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

步骤4：验证安装是否成功

安装完成后，执行测试命令，检查GPU是否可调用：

python -c "import torch; print('PyTorch版本:', torch.__version__); print('CUDA是否可用:', torch.cuda.is_available())"

若输出CUDA是否可用: True，代表PyTorch GPU版安装成功，可享受显卡加速。

四、PyCharm调用PyTorch环境（终极适配）

环境装好后，只需在PyCharm中配置Python解释器，即可正常编写代码、跑模型，步骤如下：

步骤1：打开解释器设置

• 快捷方式：点击PyCharm右下角Python版本提示栏
• 菜单方式：File → Settings → Project:项目名 → Python Interpreter

步骤2：添加已创建的Conda环境

• 点击右上角Add Interpreter → Add Local Interpreter
• 左侧菜单栏选择Conda Environment
• 勾选Use existing environment（使用已有环境）
• 在下拉框中选中名为pytorch的环境（路径包含envs\pytorch）
• 点击OK → Apply保存配置

步骤3：PyCharm内二次验证

新建test.py文件，粘贴测试代码：

import torch
# 校验CUDA是否启用
print(torch.cuda.is_available())
# 打印当前使用的GPU型号
print(torch.cuda.get_device_name(0))

运行代码，输出True+显卡型号（RTX4060），说明PyCharm已成功调用GPU版PyTorch。

总结

PyTorch GPU环境配置核心逻辑：先匹配版本→新建Conda隔离环境→安装对应PyTorch→PyCharm绑定解释器。

全程不用手动装CUDA、不用改复杂配置，搭配版本选型规则，不管是新显卡还是老机型、Windows还是Mac，都能快速适配。这套环境搭建完成后，训练神经网络、跑大模型效率大幅提升，彻底告别CPU卡顿难题。

到此这篇关于Anaconda安装PyTorch GPU版的实现步骤的文章就介绍到这了,更多相关Anaconda安装PyTorch GPU内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论