### PyCharm 配置 GPU 运行环境设置指南 为了使 PyCharm 支持基于 GPU 的运行环境，需要完成以下几个方面的配置： #### 1. 安装 NVIDIA 显卡驱动 确保系统已安装最新版本的 NVIDIA 显卡驱动。对于 Linux 用户，可以通过以下命令添加显卡驱动仓库并更新系统： ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update ``` 此步骤确保操作系统能够识别并支持 GPU 加速功能[^4]。 #### 2. 安装 CUDA 工具包 下载并安装与硬件兼容的 CUDA 版本。例如，如果使用的是 CUDA v11.3，则需将以下路径加入系统的 `Path` 环境变量中： ```plaintext C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\ C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\libnvvp ``` 这些路径包含了必要的库文件和可执行文件，用于支持 GPU 计算[^3]。 #### 3. 创建 Conda 虚拟环境 创建一个新的虚拟环境以隔离依赖项，并激活该环境以便后续操作： ```bash conda create -n pytorch_env python=3.9 conda activate pytorch_env ``` 这一步骤允许开发者在一个独立环境中管理所需的软件包及其版本[^1]。 #### 4. 安装 PyTorch 和其他必要组件 在激活的 Conda 环境中安装适合当前 CUDA 版本的 PyTorch 库。例如，针对 CUDA 11.3 可以运行以下命令： ```bash pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113 ``` #### 5. 配置 PyCharm 使用 Conda 环境 打开 PyCharm 并导航到 **File → Settings → Project: YourProjectName → Python Interpreter** 页面。点击齿轮图标选择“Add”，然后指定之前创建好的 Conda 环境作为解释器。这样可以让 IDE 自动加载所有必需的模块和支持 GPU 的框架[^5]。 #### 6. 测试 GPU 是否可用 编写一段简单的测试脚本来验证 GPU 设置是否成功： ```python import torch if __name__ == "__main__": device = 'cuda' if torch.cuda.is_available() else 'cpu' print(f'Device being used is {device}') # 输出设备上的张量信息 tensor_example = torch.tensor([1, 2], dtype=torch.float).to(device) print(tensor_example) ``` 上述代码片段检查是否有可用的 GPU 设备，并尝试在其上分配数据结构实例。 --- ###