### 切换 PyTorch CPU 版本至 GPU 版本的方法 为了从 PyTorch 的 CPU 版本切换到 GPU 版本并保持 Python 和 PyTorch 版本一致，可以按照以下方法操作： #### 1. 卸载当前的 PyTorch CPU 版本 在安装新的 GPU 版本之前，建议先卸载现有的 PyTorch CPU 版本以避免冲突。可以通过以下命令完成卸载： ```bash pip uninstall torch torchvision torchaudio ``` 此步骤确保环境中没有任何旧版本残留。 --- #### 2. 安装对应版本的 GPU 加速 PyTorch 对于 Python 3.9.21 和特定的 PyTorch 版本（假设为 2.6.0），可以直接通过官方推荐的方式安装对应的 GPU 版本。以下是具体命令： 如果使用 NVIDIA CUDA，则需指定相应的 CUDA 版本号。例如，CUDA 11.7 可以通过如下命令安装： ```bash pip install torch==2.6.0 torchvision==0.15.2 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu117 ``` 上述命令中的 `cu117` 表示支持 CUDA 11.7 的构建[^3]。如果有其他 CUDA 版本需求，请调整 URL 中的 `cu117` 部分为合适的值（如 `cu118` 或 `cpu` 对应无 CUDA 支持的版本）。 注意：确保本地已正确配置 NVIDIA 显卡驱动程序以及兼容的 CUDA 工具链环境。 --- #### 3. 测试安装是否成功 安装完成后，可通过运行以下脚本来验证 GPU 是否被正确识别和支持： ```python import torch print(f"Torch Version: {torch.__version__}") print(f"CUDA Available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"Current Device: {torch.cuda.current_device()}") print(f"Device Name: {torch.cuda.get_device_name(0)}") else: print("No CUDA device detected.") ``` 如果一切正常，输出应该显示 `CUDA Available: True` 并提供显卡名称和其他相关信息。 --- #### 4. 使用国内镜像源加速下载（可选） 类似于 TensorFlow 的安装方式，也可以利用豆瓣或其他国内镜像来加速 PyTorch 的安装过程。不过需要注意的是，PyTorch 官方并未直接托管在国内公共仓库上，因此通常仍推荐使用其官方索引地址配合 `-i` 参数实现快速安装。 例如： ```bash pip install torch==2.6.0+cu117 torchvision==0.15.2+cu117 torchaudio==2.1.0 -f https://download.pytorch.org/whl/torch_stable.html ``` 该命令会强制从稳定链接中获取预编译好的二进制文件[^4]。 --- #### 注意事项 - **确认硬件支持**：确保目标机器配备有支持 CUDA 的 NVIDIA 显卡，并且已经安装了匹配的显卡驱动。 - **依赖项管理**：某些情况下可能还需要额外安装 cuDNN 库以便进一步优化性能表现。 - **虚拟环境隔离**：强烈建议在整个过程中始终工作于独立的 Python 虚拟环境下，以免影响全局系统设置或引发包间不兼容问题。 --- ###