Anaconda+CUDA+PyTorch下载教程

@

目录

• 前言
• 工具介绍
  • 1.Anaconda
  • 2.PyTorch
  • 3.CUDA
  • 4.整体工作关系图
• Anaconda安装（推荐）
  • 1.概述
  • 2.下载安装包
  • 3.下载步骤
  • 4.修改虚拟环境位置
  • 5.删除Anaconda
• CUDA安装（可选）
  • 1.概述
  • 2.版本匹配
  • 3.确认显卡型号
  • 4.获取CUDA安装包
  • 5.下载CUDA
  • 6.删除CUDA Tooklkit
• PyTorch下载
  • 1.python环境
  • 2.PyTorch使用系统CUDA
  • 3.conda管理CUDA

前言

如果单纯用作pytorch框架学习，可以在阅读完教程后做一个总体工具了解后，直接阅读如下章节：

• Anaconda安装：1，2，3，4
• PyTorch下载：1，3

工具介绍

1.Anaconda

Anaconda 是一个开源的数据科学平台和包管理器，主要用于简化Python/R环境管理和软件包部署。其核心组件包括：

• Conda：跨平台的包管理工具，可安装、运行、更新各种编程语言的软件包及其依赖项
• 虚拟环境管理：允许创建隔离的Python环境，不同项目可使用不同版本的库而互不干扰
• 预装工具：默认包含600+个数据科学常用包（如NumPy、Pandas、Jupyter等）
• 应用场景：机器学习、深度学习、数据分析、科学计算等领域的基础平台

在深度学习工作流中，Anaconda主要用于创建独立的PyTorch环境，确保依赖库版本兼容性，避免系统环境污染。

Anaconda就是用来管理环境的一个工具，miniconda也是一样，只是功能更少。

2.PyTorch

PyTorch 是Facebook AI Research（现Meta AI）开发的开源深度学习框架，具有以下特性：

• 动态计算图：支持即时执行的动态图机制，便于调试和模型构建
• Python原生风格：采用Pythonic设计，与Python生态无缝集成
• 核心组件：
  • torch.Tensor：GPU加速的多维数组计算
  • torch.nn：神经网络模块与损失函数
  • torch.optim：优化算法库
  • torch.utils.data：数据加载与预处理工具
• 生产部署：通过TorchScript可将模型导出为独立运行格式
• 生态系统：支持TorchVision（CV）、TorchText（NLP）、TorchAudio等扩展库

PyTorch因其灵活性和易用性，已成为学术界和工业界主流的深度学习框架之一。

PyTorch是一个基于Python的可以操纵cuda的深度学习框架

3.CUDA

CUDA（Compute Unified Device Architecture）是NVIDIA推出的通用并行计算平台和编程模型，包含：

• 硬件架构：GPU中的并行计算核心（CUDA Core）和专用内存体系
• 软件栈：
  • CUDA Toolkit：编译器、调试器、数学库等开发工具
  • CUDA Driver：显卡驱动中的运行组件
  • cuDNN：深度神经网络加速库（需单独安装）
• 编程接口：支持C/C++/Python等语言的扩展，实现GPU并行计算
• 关键特性：显存管理、流并行、多GPU通信等

CUDA为深度学习提供底层并行计算支持，是GPU加速的核心技术基础。

CUDA就是一个操纵显卡的软件包。

4.整体工作关系图

整体就是python环境，调用框架，操纵硬件资源。

由于conda环境只是用来创建和管理python环境的，其实可以不安装，直接使用python，但是要做好环境隔离。

Anaconda安装（推荐）

1.概述

这一阶段步骤可自由选择是否需要，但是从“快速搭建可复现的开发环境，并避免依赖冲突” 这一核心目标出发，本教程强烈推荐安装 Anaconda 或其更轻量的替代品 Miniconda。

为什么推荐？

在深度学习与科学计算中，不同项目常依赖于特定版本（且彼此可能不兼容）的 Python 包、PyTorch 框架及 CUDA 工具包。直接在全系统范围内安装，极易引发“依赖地狱”，导致项目无法运行。Anaconda 通过创建独立的虚拟环境，为每个项目提供隔离、纯净的依赖空间，使得环境配置和管理变得简单、可控且可复现。

如果你选择不安装：

你仍然可以仅通过 Python 的 pip包管理器安装 PyTorch。但这要求你自行手动管理和维护系统中所有库的版本兼容性，并确保 CUDA 驱动、CUDA 工具包与 PyTorch 版本严格匹配。

2.下载安装包

可以从官网下载，也可以使用清华镜像源下载。

（1）anaconda官网

https://www.anaconda.com/

由于外网的下载速度很慢，也可以在清华镜像源中进行下载，稍后介绍。

点击官网的右上角Free Download

在下载界面，右侧需要进行账户登录，没有账户的点击左侧进行注册即可

注册登录后，会进入下载网页，下载对应的安装包即可。

（2）清华镜像源下载

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

往下面滑动，尽量下载anaconda3开头的，后面的数字表示的是默认集成的python环境

Anaconda 的版本号（如 Anaconda 2022.10）是它自身的发行版本，它会在不同时期集成不同子版本号的 Python 3（如 Python 3.9, 3.10, 3.11）。在清华镜像源看到的 Anaconda3-2024.02-1-Windows-x86_64.exe这样的安装包，其中的 “3” 就是指它默认集成了 Python 3 环境。

下载anaconda3开头的安装包获得一个现代的、主流的 Python 3 开发环境。如有特殊旧项目，再用 Conda 命令临时创建 Python 2 环境” 即可。

3.下载步骤

双击打开下载的安装包

点击next

点击I Agree

这里的是选择安装用户，根据自己的需求选择好之后点击右下角next

然后根据需求选择好安装路径，然后点击next （注意：目录不可以包含中文）。

然后选择安装选项，以下是翻译

第三个选项的含义是：勾选此选项后，安装程序会修改 Windows 系统的注册表，将 Anaconda 自带的 python.exe路径设置为系统级别的默认 Python 解释器。以下是好处：

• 对开发工具友好：正如选项描述所说，像 VSCode、PyCharm、Jupyter 这类智能编辑器或 IDE，在启动时会自动去寻找“系统默认的 Python”。如果勾选了这项，它们就能无痛、自动地识别出 Anaconda 环境，你不需要在编辑器里再手动去指定 Python 解释器的路径，开箱即用。
• 命令行使用方便：在“命令提示符”或“PowerShell”中，你直接输入 python命令，启动的就是 Anaconda 里的 Python，而不是 Windows 可能自带的或其他地方安装的 Python。这保证了环境的一致性。
• 简化操作：对于深度学习/数据科学新手来说，这避免了复杂的“环境变量”和“路径”配置，是最省心的选择。

除了第二个选项外，其余3个可以按需勾选

等待下载

完成后，next会亮起，然后点击

再次点击next

其中的两个选项：

• Launch Anaconda Navigator：启动 Anaconda Navigator，勾选后，点击“Finish”完成安装，电脑会自动打开 Anaconda Navigator。

  这是什么：Navigator 是 Anaconda 的图形化桌面操作界面。您可以把它理解为一个“控制中心”，在这里可以通过点击鼠标来管理不同项目所需的Python环境、安装各种数据科学工具（如Jupyter Notebook, Spyder, VSCode）、启动这些应用。对新手非常友好，能避免记忆复杂的命令行。

• Welcome to Anaconda：欢迎使用 Anaconda，勾选后，完成安装时，会自动在您的默认网页浏览器中打开 Anaconda 的欢迎/入门指南网页。

最后点击finsh即可，自此anaconda安装完成。

4.修改虚拟环境位置

这一步按照自己的需求可选

使用Anaconda Prompt，在菜单应用中找到，或者直接搜索

使用 Conda config 命令逐步设置：

# 1. 首先，查看当前配置
conda config --show

# 2. 查看当前的环境路径设置
conda config --show envs_dirs

# 3. 添加新的环境路径（这会将它放在列表顶部）
conda config --add envs_dirs D:\Anaconda3\envs

# 4. 添加新的包缓存路径
conda config --add pkgs_dirs D:\Anaconda3\pkgs

# 5. 如果需要移除默认路径（可选）
conda config --remove envs_dirs C:\Users\SuperHui\.conda\envs

查看原有路径

配置新环境路径

5.删除Anaconda

打开控制面板
$$
按 Win + R → 输入 appwiz.cpl → 回车
$$

appwiz.cpl会打开控制面板删除界面，

也可以直接查找控制面板

然后打开

点击卸载程序即可，然后在里面找到需要卸载的程序，然后双击即可启动卸载。

CUDA安装（可选）

1.概述

在安装 PyTorch 时，是否需要安装 CUDA 取决于您选择的版本：

• GPU 版本（需要 CUDA）：如果您希望利用 NVIDIA 显卡进行加速计算，则必须安装与 PyTorch 版本严格匹配的 CUDA 工具包。这是最常见的深度学习开发配置。
• CPU 版本（无需 CUDA）：如果您的电脑没有 NVIDIA 显卡，或仅想进行简单的代码验证，可以安装纯 CPU 版本的 PyTorch，此时完全不需要安装 CUDA。

2.版本匹配

PyTorch 官网为每个版本都提供了预编译的、对应特定 CUDA 版本的系统安装包。因此，最稳妥的安装流程是：先根据你的显卡驱动确定可支持的 CUDA 版本，然后选择对应此 CUDA 版本的 PyTorch 进行安装。 直接使用 conda或 pip安装指定版本的 PyTorch 时，通常会自动帮你安装好匹配的 CUDA 运行时库，无需单独手动配置复杂的 CUDA 工具包。

也就是说安装CUDA有两种办法，一是通过官网进行下载，二是在下载pytorch包时通过指令同时指定对应版本的CUDA包，会自动安装。在这里展示通过官网下载，后面在pytorch的下载中介绍。

两种下载方式的对比：

对比维度	方式一：官网下载完整CUDA Toolkit	方式二：通过PyTorch指令自动安装CUDA
安装内容	完整的CUDA开发套件	仅CUDA运行时库（精简版）
主要组件	nvcc编译器、工具链、文档、示例	CUDA运行库、cuDNN等
安装位置	系统目录（C:\Program Files）	Conda虚拟环境目录
使用场景	CUDA C++开发、自定义算子编译	深度学习训练/推理
环境管理	全局安装，影响所有用户	环境隔离，各环境独立
安装大小	较大（2-5GB）	较小（500MB-1GB）

安装内容与组件对比：

• 官网下载完整CUDA Toolkit包含：

CUDA Toolkit 12.1
├── nvcc (编译器)
├── CUDA Runtime
├── CUDA开发库
├── 工具集（nsight, nvprof等）
├── 文档和示例
├── GPU驱动（可选）
└── 可视化工具

• 通过PyTorch指令安装的CUDA包含：

cudatoolkit包
├── CUDA Runtime (核心运行时)
├── cuDNN (深度神经网络库)
├── cuBLAS (基础线性代数库)
└── 其他必要的运行库

如果只是进行深度学习训练而不进行开发，建议直接在后面通过PyTorch指令下载，而可以跳过后续的获取安装包和下载步骤，只需要确认自己的对应的CUDA版本即可。

3.确认显卡型号

打开设备管理器

然后查询显卡支持的最高CUDA版本

1）访问NVIDIA官方文档：

• CUDA GPU支持列表：https://developer.nvidia.com/cuda/gpus

  该网站查看的是GPU显卡的计算能力，计算能力（Compute Capability）和CUDA版本是两种完全不同的概念，但它们有对应关系。可以参考官方文档对应：

  https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

• 或参考以下常见显卡支持情况：

显卡架构	显卡型号示例	最高支持CUDA
Ampere	RTX 30/40系, A100	CUDA 11.0+
Turing	RTX 20系, T4	CUDA 10.0+
Volta	V100	CUDA 9.0+
Pascal	GTX 10系, P100	CUDA 8.0+

2）也可以使用nvidia-smi查看当前驱动支持的硬件信息
$$
按 Win + R → 输入 cmd → 回车
$$
然后输入nvidia-smi：

可以看到驱动支持的最高CUDA版本为12.6

决策原则：

1. 向下兼容：可安装等于或低于驱动支持版本的任何CUDA
2. 向上不兼容：不能安装高于驱动支持版本的CUDA
3. 取交集：在显卡支持、驱动支持、PyTorch支持三者中取交集
4. 就高不就低：在兼容范围内选择最高版本

快速决策表

您的驱动显示的最高CUDA	推荐安装的CUDA版本	对应PyTorch安装命令
12.0+	CUDA 11.8 或 12.1	pytorch-cuda=11.8或 pytorch-cuda=12.1
11.8	CUDA 11.8	pytorch-cuda=11.8
11.7	CUDA 11.7	pytorch-cuda=11.7
11.4	CUDA 11.3	cudatoolkit=11.3
11.1	CUDA 11.1	cudatoolkit=11.1
10.2	CUDA 10.2	cudatoolkit=10.2

由于我的显卡是NVIDIA GeForce RTX 4060 Laptop GPU，综合考虑，本教程使用CUDA 11.8版本，以确保与后续安装的 PyTorch 版本兼容。

对于大多数4060用户，我推荐：

• 新手用户：选择 CUDA 11.8

  • 稳定性最好

  • 教程和解决方案最多

  • 几乎不会遇到兼容性问题

• 进阶用户/研究者：选择 CUDA 12.1

  • 可体验最新特性

  • 性能可能略有提升

  • 为未来生态做准备

4.获取CUDA安装包

安装网站：

https://developer.nvidia.com/cuda-toolkit-archive

选择对应版本的包

进入11.8的下载界面

选好对应的配置后，下载

下载会很慢，需要保持网络状态良好，然后等待即可。

5.下载CUDA

找到下载的安装包，双击进入下载界面

首先会提示指定一个临时解压路径，保持默认即可，点击ok

等待下载

等待检查

点击同意并继续

选择自定义，然后下一步。（如果没有什么要求也可以直接选择“精简”）

可以取消勾选不需要的组件，我这边默认全下载，然后下一步

确认 CUDA 的安装路径。像这种系统程序通常建议保持默认路径，然后下一步

等待安装

点击下一步

安装完毕，最后点击关闭。

6.删除CUDA Tooklkit

打开控制面板

卸载以下CUDA Toolkit组件（注意版本号可能不同）

按从下往上的顺序卸载（后装的先卸载）：

✅ NVIDIA CUDA 12.6.x
✅ NVIDIA CUDA 12.6 Documentation
✅ NVIDIA CUDA 12.6 Samples
✅ NVIDIA Nsight Systems
✅ NVIDIA Nsight Compute
✅ NVIDIA CUDA Visual Studio Integration

NVIDIA CUDA Samples我已经删除，故而图中没有显示

双击要卸载的程序，然后在弹窗中点击确认卸载就可以了

不要卸载以下组件（保留显卡驱动）：

❌ NVIDIA 图形驱动程序
❌ NVIDIA 控制面板
❌ NVIDIA PhysX
❌ NVIDIA 音频驱动程序
❌ NVIDIA 帧视图SDK
❌ NVIDIA 安装程序

PyTorch下载

1.python环境

PyTorch的下载和安装必须基于一个已有的Python环境。PyTorch本质上是一个Python库（package），它需要通过Python的包管理工具（如pip或conda）来安装到Python环境中。

• pip- Python的官方包管理器
• conda- Anaconda的包管理器（也是通过Python实现的）

1）使用系统自带的Python（不推荐）

假设您系统已安装Python：

# 检查Python是否已安装
python --version
# 或
python3 --version

# 如果已安装，直接使用pip安装PyTorch
pip install torch torchvision torchaudio

缺点：

• 全局安装，可能污染系统环境
• 版本冲突风险高
• 难以管理多个项目依赖

2）使用Anaconda/Miniconda创建虚拟环境（强烈推荐）

这是最推荐的方式：

1. 先安装Anaconda或Miniconda

这为您提供了一个完整的Python环境和包管理工具。再前面的步骤已经有安装教程。

2. 创建并激活虚拟环境

   需要在Anaconda Prompt中打开

   

# 创建一个名为pytorch_env的虚拟环境，并指定Python版本
conda create -n pytorch_env python=3.9

# 激活这个环境
conda activate pytorch_env

# 查看当前激活的环境
conda info

# 查看所有已创建的环境及其路径
conda env list

# 退出
exit

运行后开始下载

输入y表示同意下载

激活环境后会发现前面的前缀改变

查看当前激活的环境

查看环境位置

接下来的pytorch有两种使用CUDA的方法

• 步骤2就是直接让PyTorch使用系统CUDA，也就是我们在CUDA安装中讲解的，适合需要nvcc的开发。
• 另一种便是事先不安装CUDA，在安装pytorch时，让conda管理自己的CUDA（更稳定，方便，推荐使用）。

2.PyTorch使用系统CUDA

https://pytorch.org/

进入pytorch网页，往下滑动，找到生成安装指令区域

如果没有对应版本，点击历史

在里面找对应版本的安装指令就可以了。

# 查看CUDA版本
nvcc --version
# 或
nvidia-smi

# 确保在 pytorch_env 环境中
conda activate pytorch_env

# 使用pip（依赖系统CUDA）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 这个命令会安装PyTorch，让它使用系统已有的CUDA
# conda的pytorch包通常是与cudatoolkit一起打包的，所以conda安装方式往往会安装conda管理的cudatoolkit
# 如果我们不安装cudatoolkit，conda可能会安装CPU版本的PyTorch
# 故而不推荐直接使用系统CUDA，系统的CUDA用于开发，在conda中再次安装运行库，在下一步中详细介绍

查看CUDA版本

执行命令等待下载

验证：

# 1. 检查PyTorch版本
python -c "import torch; print('PyTorch版本:', torch.__version__)"

# 2. 检查CUDA是否可用
python -c "import torch; print('CUDA可用:', torch.cuda.is_available())"

卸载pytorch包

# ---如果通过pip安装---
# 激活环境（如果在虚拟环境中）
conda activate pytorch_env  # 或 source venv/bin/activate

# 卸载PyTorch
pip uninstall torch torchvision torchaudio -y

# 如果pip卸载不干净，可以多次执行或添加--break-system-packages
pip uninstall torch torchvision torchaudio --break-system-packages -y

注意：使用conda下载的包就使用conda指令进行卸载，使用pip下载的包就需要使用pip指令进行卸载

3.conda管理CUDA

# 确保在 pytorch_env 环境中
conda activate pytorch_env

# 先查看您的系统 CUDA 版本
nvidia-smi
# 检查版本，与CUDA中的步骤3一样

# 安装对应版本的 PyTorch
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

查看系统 CUDA 版本，这里的12.6表示我的系统最高支持12.6版本，这里我结合多方面考虑，使用11.8版本（详细可参考CUDA安装中的第3节确认显卡型号）。

#验证安装
python -c "import torch; print(f'PyTorch版本: {torch.__version__}')"
python -c "import torch; print(f'CUDA可用: {torch.cuda.is_available()}')"

这样PyTorch就安装成功了。