研究深度学习，有块GPU是必须的。GPU的主要作用就是大规模并行计算，加速我们的模型的训练。本文介绍基于pytorch+cuda的开发环境。
1. 安装CUDA
首先查看自己的GPU支持的cuda版本，方法是桌面点击右键 -> NVIDIA控制面板，在窗口中依次点击 系统信息->组件，比如我这里的是 CUDA 12.1.68，表示这块GPU所支持的CUDA最高版本至12.1.68，我们只要下载不高于此版本的CUDA即可。
CUDA实际上是实现并行计算的驱动包。
检查CUDA是否安装成功，请在cmd中运行 nvcc -V，如果显示以下信息，则证明安装成功：
2. 安装cuDNN
cuDNN是专门针对深度神经网络开发的工具包，官网下载地址 cuDNN Archive | NVIDIA Developer
找到所需版本，但是需要注册才能下载，根据实际体验，即使注册也会在登录时卡住。所以建议使用网友分享的办法，复制下载链接，至迅雷下载。亲测有效。
注意，迅雷下载的文件是.html格式，用360压缩或其他压缩软件打开，解压可得到3个文件夹。
复制这3个文件夹至你CUDA的安装路径，比如我这里是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1。
最后修改环境变量，在path变量中增加以下3个路径，注意替换成你的实际安装路径：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
至此cuDNN安装完成。
3. 安装pytorch
不要在pycharm中安装pytorch，它会自动给你安成CPU版本的。正确的做法是上官网，地址 Start Locally | PyTorch
根据你的需要选择平台和CUDA版本，然后复制那段pip install 命令，到pycharm里的终端，或者cmd中，运行等待安装即可。
4. 测试
在pycharm中测试：
import torch
from torchvision import datasets, transforms
import torch.nn as nn
import torch.optim as optim
print("torch.cuda.is_available()=", torch.cuda.is_available())
如果输出True，则证明cuda是安装成功的。
祝贺！请开启你的深度学习之旅吧。