目录

前言：

一、cuda相关版本安装

1、cudaTookit下载及cuda安装

a）cudaTookit下载

b）cuda安装

2、cuDAA下载安装

二、pytorch相关版本安装

1、pyg与torch的版本对应

2、torch与cuda的版本对应

3、python与torch的版本对应

三、PyG库相关版本安装

附录：安装后的相关验证

1、cuda验证

2、pytorch验证

3、pyg验证

a）使用 Python 代码检查

b）使用 pip 命令检查

c）使用 pip show 命令

---

前言：

PyG库是Pytorch针对图卷积神经网络开发的开源框架，利用该框架可大大提升图卷积网络的训练速度，并且降低资源消耗。但是，安装该库需要很多值得注意的细节，接下来由笔者一一说明安装时遇到的问题。

在安装之前首先查阅PyG官网，一定要提前确认好该库当前支持的torch和cuda版本！！！进入官网

我们会看到其当前最新版本以及支持的支持的torch和cuda版本。

figure1：pyg官网页面

从figure1可以看出截止到笔者发博客的时间，目前最新的版本仅最高支持到PyTorch2.3.*和cuda12.1，但是这时笔者已经能安装torch2.4版本了，同时NVIDIA显卡支持cuda12.5版本。为了之后不会出现版本匹配问题，请各位读者一点要先确认好安装的版本。

各位读者想要确认各种配置是否安装成功请查阅 附录：安装后的相关验证

补充：dgl库和networkx库的区别

特性	DGL	NetworkX
目标	高效的图神经网络（GNN）处理	通用图的分析和处理
性能	高效，适合大规模图，支持 GPU	性能较低，适合小规模图
GNN 支持	内置多种 GNN 算法	不支持 GNN
图类型支持	有向图、无向图、异构图、动态图	有向图、无向图、多重图
深度学习集成	与 PyTorch、TensorFlow 无缝集成	无深度学习集成
图分析算法	提供有限的图分析功能	丰富的图分析算法和可视化

因此，如果需要做图神经网络相关的任务，推荐使用 DGL；如果只需要做传统的网络分析或小规模图分析，NetworkX 是一个更好的选择。

另外，需要安装dgl的话也要事先查看与torch和cuda的版本兼容。

一、cuda相关版本安装

同样地，安装之前首先确认好要下载的东西以及安装相应的版本。

需要下载，cudaTookit（cuda的安装包）以及cuDNN（CUDA Deep Neural Network library：是 NVIDIA 提供的一种 GPU 加速库，专为深度学习框架优化。）

1、cudaTookit下载及cuda安装

a）cudaTookit下载

首先确定NVIDIA显卡支持的cuda版本，win+R打开cmd输入nvidia-smi，查看版本信息。

figure2：NVIDIA显卡相关信息终端页面

根据figure2，笔者的Driver Version: 556.12，CUDA Version: 12.5，说明最高可以安装cuda12.5版本。但请注意，在前言中已经提到，figure1显示目前最高仅支持cuda12.1版本，虽然通常cuda较高版本可以兼容较低版本的torch,(例如torch2.4版本官网兼容cuda12.3,实际cuda12.5也能运行torch2.4)，但这经过笔者实际经历验证后，PyG库还是需要遵循官网要求版本。所以我们的目标是安装cuda12.1版本。

进入官网

figure3：cuda toolkit archive

点击对应版本后，出现figure4,

figure4：下载页面

根据你的设备选择相关配置，之后点击download.

b）cuda安装

下载完成后，点击下一步，选择自定义安装可更改默认安装位置（自由选择），需要注意的是：

figure5：安装页面

figure5中Visual Studio Intergration需要取消勾选（该项将 CUDA 工具和库集成到 Visual Studio 中，以便于开发和调试 CUDA 应用程序。这种集成使得开发者能够在 Visual Studio 环境中编写、编译、运行和调试 CUDA 代码），显然对于很多人用不上，还有很大概率安装失败。

2、cuDNN下载安装

进入官网

figure6：cuDNN Archive

选择合适版本，笔者安装的支持12.x的版本，有很多支持的版本，只需安装第一个即可。

下载安装解压成功后，将文件夹内的前三个文件夹复制（笔者选中的不用复制）

figure7：cuDAA文件夹

并替换到安装的cuda文件夹内，默认路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

二、pytorch相关版本安装

安装pytorch依旧需要弄清楚版本对应，分别是：

1、pyg与torch的版本对应

由figure1可知，我们需要安装torch2.3的相关版本，因此

进入官网

figure7：pytorch官网

向下浏览即可找到安装页面，官网首页会提供最新版本下载(若是安装是该版本即可筛选配置获取安装命令)，之前的版本需要点击左下角的previous version of PyTorch

2、torch与cuda的版本对应

figure8：previous version of PyTorch

figure8则较为详细的展现了安装命令行，选取对应cuda版本即可，之后就可以在环境终端直接粘贴命令进行下载。

3、python与torch的版本对应

进入官网

figure9：python与pytorch，torchvision版本对应表

在创建环境时直接安装相应python版本即可。

三、PyG库相关版本安装

在figure1中我们可以获取依赖包下载命令，在环境终端中安装之后，即完成了·依赖包的下载，还需要pip命令行;

pip install torch-geometric

如此，便可彻底安装成功。

附录：安装后的相关验证

1、cuda验证

命令行窗口（win+R，输入cmd），输入：nvcc -V（注意中间有一个空格），查看是否输出cuda版本信息。

2、pytorch验证

环境终端运行python（或者在IDE），运行一下代码：

import torch

print(torch.__version__)  # 应该输出安装版本
print(torch.cuda.is_available())  # 应该输出 True，如果 CUDA 安装正确
print(torch.cuda.get_device_name(0))  # 输出 GPU 的名称

3、pyg验证

a）使用 Python 代码检查

打开 Python 解释器或脚本，并尝试导入 PyG 库。如果库已安装，导入将成功；如果没有安装，将引发 ModuleNotFoundError。

try:
    import torch_geometric
    print("PyTorch Geometric is installed.")
except ImportError:
    print("PyTorch Geometric is not installed.")

b）使用 pip 命令检查

使用 pip list 命令列出所有已安装的 Python 包，并检查是否包含 PyG 库。

pip list | grep torch-geometric

如果没有安装 grep 命令（通常在 Windows 上），可以使用以下命令来查找：

pip list

然后手动查找输出列表中的 torch-geometric。

c）使用 pip show 命令

pip show torch-geometric