pip是python的默认包的安装方法，相比conda等第三方包管理工具，更喜欢 pip 的简洁和高效

近期实验使用pip在venv的环境中，完成了安装和配置

整体流程

按照nvidia的标准流程，CUDA Installation Guide for Microsoft Windows (nvidia.com)

过程就三步：安装显卡驱动、安装CUDA Development Tools、使用pip 安装 包含cuda 的 torch。使用venv是为了完成编程开发环境的隔离

1.安装最新版的显卡驱动

直接在nvidia的官方网站Official Drivers | NVIDIA中选择对应的版本下载，并安装。

当前最新的版本

2.下载并安装 CUDA Development Tools

达到nvidia的官网地址 CUDA Toolkit 12.3 Update 2 Downloads | NVIDIA Developer下载对应的工具包

在本地磁盘空间不足，网络状态良好的时候，选择了网络版，本地磁盘空间没有问题的可以直接选择 local

当前的版本是12.3.2

 完成安装之后在win的终端中，使用命令行进行测试

这里显示的cuda为12.1

3.使用 pip 安装包含cdua的pytorch

转到pytorch的官网，选择对应的平台、cuda版本，生成 pip 的安装命令

把最后一行的命令复制下来，在venv的环境中粘贴并运行。

TIP: venv 环境的部署有大量的文章讲过，这里只提供相应的命令，具体的内容参考另文

python -m venv T311
cd T311/scripts
activate

这时，会看到根据python的版本、平台的不同，安装不同的包。其中 troch的whl文件竟然有2.5G

Tip:如果网络状况不佳，在大约10分钟左右还没有下载完成，这是 pip 报由于下载没有完成而失败。此时，需要再次尝试，或者使用下载工具把whl下载到本地之后再安装；必要的时候，还需要使用 pip uninstall 的命令先把之前的torch（cpu版本的）卸掉在安装 

安装完成之后，测试

import torch
torch.cuda.is_available() #显示True，则安装成功

 安装成功

Tip：使用 torch.__varsion__的方式测试并不准确，就算返回是包含有cuda的troch，在  is_available()时，也会返回 False

最后的 requirements.txt

certifi==2022.12.7
charset-normalizer==2.1.1
filelock==3.13.1
fsspec==2024.2.0
idna==3.4
Jinja2==3.1.3
MarkupSafe==2.1.5
mpmath==1.3.0
networkx==3.2.1
numpy==1.26.4
nvidia-cublas-cu12==12.3.4.1
nvidia-cuda-cupti-cu12==12.3.101
nvidia-cuda-nvcc-cu12==12.3.107
nvidia-cuda-nvrtc-cu12==12.3.107
nvidia-cuda-runtime-cu12==12.3.101
nvidia-cuda-sanitizer-api-cu12==12.3.101
nvidia-cudnn-cu12==8.9.7.29
nvidia-cufft-cu12==11.0.12.1
nvidia-curand-cu12==10.3.4.107
nvidia-cusolver-cu12==11.5.4.101
nvidia-cusparse-cu12==12.2.0.103
nvidia-npp-cu12==12.2.3.2
nvidia-nvjitlink-cu12==12.3.101
nvidia-nvjpeg-cu12==12.3.0.81
nvidia-nvml-dev-cu12==12.3.101
nvidia-nvtx-cu12==12.3.101
pandas==2.2.0
pillow==10.2.0
python-dateutil==2.8.2
pytz==2024.1
requests==2.28.1
six==1.16.0
sympy==1.12
torch==2.2.0+cu121
torchaudio==2.2.0+cu121
torchvision==0.17.0+cu121
typing_extensions==4.9.0
tzdata==2024.1
urllib3==1.26.13

探索过程的细节

之前参考很多文章在做，也许是成文时间比较早，绕了一些圈。记录本次的一些细节，以后或许可以参考

• cudnn不是必须，可以不装
• 从win中自身的驱动程序中，查找最新的驱动没有获得更新。在安装完 CUDA Development Tools，进行nvcc测试时，提示有新的驱动并给出了下载的链接，按照指引之后，很快就完成
• nvidia的官方文件的文件已经写得比较的完整，有非常大的价值，并且给出了pip wheel的方法
• 尝试过使用 “pip install torch==2.2.0+cu121” 一类的命令安装指定版本，报错“指定的版本没有找到”，不知道是不是“+”的写法不对

参考链接

nvidia的官方文件：CUDA Installation Guide for Microsoft Windows (nvidia.com)

环境配置：选择正确版本的CUDA和PyTorch安装(windows) - 知乎 (zhihu.com)