### 已知条件与目标 要在 Windows 11 上安装 PyTorch 1.1.0 并正确配置 CUDA 10 和 cuDNN 7.5.1，需遵循一系列步骤来确保兼容性和性能优化。以下是详细的指导。 --- ### 配置环境的前提准备 #### 1. **确认 NVIDIA 显卡驱动已正确安装** 在开始之前，必须验证 NVIDIA 显卡驱动是否正常工作并支持所需的 CUDA 版本。可以通过运行 `nvidia-smi` 命令检查当前显卡状态以及驱动版本[^3]。如果未安装或版本过低，则需要更新到最新稳定版的 NVIDIA 驱动程序。 #### 2. **下载并安装 CUDA Toolkit 10.0** 下载地址可参考官方文档或其他可信镜像站点[^4]。具体操作如下： - 访问 NVIDIA 的 CUDA 开发者页面获取对应版本的工具包。 - 执行安装过程中，请勾选所有必要的组件（如库文件、头文件等），以便后续开发需求得到满足。 #### 3. **集成 cuDNN 库至现有 CUDA 环境** cuDNN 是深度学习框架加速的关键依赖项之一。对于 cuDNN 7.5.1 而言，其适配的是特定范围内的 CUDA 版本。因此，在完成上述 CUDA 安装后，还需额外引入该版本的 cuDNN 文件夹结构，并将其路径加入系统的全局环境变量中。 --- ### Python 及 PyTorch 的安装过程 #### 1. **创建虚拟环境 (推荐使用 Conda 或 Virtualenv)** 为了隔离不同项目间的依赖冲突，建议先建立一个新的独立环境再继续下一步骤： ```bash conda create --name pytorch_env python=3.6 conda activate pytorch_env ``` 这里选择了 Python 3.6，因为这是当时发布 PyTorch 1.1.0 时广泛使用的解释器版本[^2]。 #### 2. **通过 Conda 渠道指定安装 PyTorch + Cuda 支持模块** 利用清华开源软件镜像源可以显著提升国内用户的下载速度: ```bash conda install pytorch=1.1.0 cuda92 -c pytorch -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ ``` 注意这里的命令参数可能依据实际硬件情况有所调整；例如某些情况下应改为 `cuda100` 来匹配前面提到过的 CUDA 10.0 设置。 #### 3. **测试 GPU 加速功能是否生效** 最后一步也是至关重要的环节——验证整个链路能否顺利调用 GPU 进行计算任务处理。可以在交互式 shell 中输入以下脚本来观察输出结果： ```python import torch print(torch.cuda.is_available()) # 返回 True 表明成功启用GPU模式 print(torch.version.cuda) # 展示所加载的CUDA版本号 print(torch.backends.cudnn.version()) # 查看cuDNN的具体实现层次 ``` 以上三行分别用于判断是否有可用设备、正在运用哪一等级的图形处理器接口标准以及背后支撑着高效运算的核心算法层面上的信息[^1]。 --- ### 注意事项 尽管本文档提供了详尽的操作指南，但在实践当中仍可能出现各种意外状况。比如操作系统差异带来的细微差别或者第三方插件干扰等问题都可能导致最终效果偏离预期。遇到困难时不妨尝试查阅更多针对性资料或是寻求社区帮助解决难题。 ---