第一步：显卡驱动
装最新版驱动
查看显卡信息
nvidia-smi
第二步：CUDA
1.查看CUDA官方文档，安装与显卡驱动版本相符合的CUDA。
/cuda/cuda-toolkit-release-notes/index.html
2.选择与上层库需求、编译环境相匹配的CUDA版本。
CUDA下载地址：/cuda-toolkit-archive
查看CUDA 的版本：
nvcc -V
或者
nvidia-smi
说明：可以看到nvcc -v 和 nvidia-smi 两个对应的CUDA版本并不一样，其实是因为CUDA 有两种API，分别是 运行时 API 和 驱动API，即所谓的 Runtime API 与 Driver API。 nvidia-smi 的结果除了有 GPU 驱动版本型号，还有 CUDA Driver API的型号，这里是 10.0。而nvcc的结果是对应 CUDA Runtime API。
而我们安装的时候，要和nvcc的保持一致。
第三步：cuDNN
原则：选择与CUDA版本对应的
下载地址：/rdp/cudnn-archive
第四步：pytorch
原则：根据已安装的CUDA确定需要的pytorch版本
安装命令：（示例中 11.0为示例中的CUDA版本）
conda install pytorch torchvision cudatoolkit=10.2 -c pytorch
用conda安装指定版本的pytorch
onda -n pytorch1.2source activate pytorch1.2
查看pytorch版本：
import torchprint(torch.__version__) #注意是双下划线
验证pytorch是否 已经装好：
import torchx = torch.rand(5, 3)print(x)
如果装好，应该输出为：
tensor([[0.3380, 0.3845, 0.3217],[0.8337, 0.9050, 0.2650],[0.2979, 0.7141, 0.9069],[0.1449, 0.1132, 0.1375],[0.4675, 0.3947, 0.1426]])
验证显卡驱动和CUDA是否已被启用并可被Pytorch访问，可运行以下命令以返回是否启动了CUDA驱动程序：
import torch # 可以import说明Pytorch安装成功torch.cuda.is_available() #返回True则说明Pytorch可以在当前GPU上使用
用conda卸载Pytorch
conda uninstall pytorchconda uninstall libtorch
备注：
Anaconda is our recommended package manager since it installs all dependencies.
