### 配置 Python 3.7 和 CUDA 11.1 的 Anaconda 环境以支持 PyTorch 为了在 Python 3.7 和 CUDA 11.1 下成功配置 Anaconda 环境并安装 PyTorch，以下是详细的说明： #### 创建新的 Conda 环境 可以通过 `conda` 命令来创建一个新的基于 Python 3.7 的虚拟环境。这一步骤能够确保新环境中不会受到其他包的影响。 ```bash conda create -n pytorch_env python=3.7 ``` 激活刚刚创建的环境： ```bash conda activate pytorch_env ``` 此命令用于切换到指定的新环境[^2]。 #### 安装 NVIDIA 显卡驱动程序和验证 GPU 是否可用 在安装 CUDA 工具链之前，需确认计算机已正确安装适合的显卡驱动程序，并且该驱动支持目标版本的 CUDA (即 11.1)。运行以下命令可检查当前系统的 GPU 及其对应的驱动状态: ```bash nvidia-smi ``` 上述指令会显示有关硬件规格以及所加载之驱动的信息；如果输出表明存在兼容性的NVIDIA设备，则继续下一步操作[^3]。 #### 安装 PyTorch 并设置 CUDA 版本 访问官方文档或者使用 pip/conda 来获取特定于操作系统、CUDA 版本匹配的PyTorch分发链接。对于 Windows 用户来说，在已经满足前述条件的前提下(比如Win10系统)，可以直接利用如下方法完成安装过程： 通过 Conda 渠道安装适用于 CUDA 11.1 的 PyTorch 软件包: ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia ``` 这条语句指定了从两个不同的频道(`pytorch`, `nvidia`)下载必要的组件，同时强制设定了Cuda Toolkit至所需的次级修订号级别。 另外一种方式则是借助 PIP 实现相同目的，不过需要注意的是这种方式可能不如前者稳定可靠: ```bash pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0 -f https://download.pytorch.org/whl/torch_stable.html ``` #### 测试安装是否成功 最后要检验整个流程的效果，可以在交互式的解释器里尝试导入模块并且查询默认张量类型是不是GPU加速型态。 启动Python shell之后输入下面几行代码看看有没有错误发生: ```python import torch print(torch.cuda.is_available()) # 应返回 True 如果有可用的 GPUs. x = torch.rand((5,5)).cuda() y = x * x # 进行简单的矩阵运算测试性能提升情况 z = y.cpu() # 将结果转移到 CPU 上面再打印出来观察数值变化趋势 print(z.numpy()) ``` 以上步骤完成后应该就能顺利构建起一个完整的深度学习开发平台了！