### PyCharm 中配置并导入支持 GPU 的 PyTorch 为了在 PyCharm 中成功配置并导入支持 GPU 的 PyTorch，以下是详细的说明： #### 1. 环境准备 确认计算机是否具备 NVIDIA 显卡以及相应的驱动程序。只有当显卡兼容 CUDA 并安装了合适的驱动版本时，才可运行基于 GPU 的 PyTorch 应用[^1]。 #### 2. 安装 Python 和虚拟环境工具 如果没有 Anaconda，则需手动管理 Python 虚拟环境。建议通过 `venv` 或者 `virtualenv` 创建独立的开发环境[^2]。 ```bash # 使用 venv 创建虚拟环境 (假设目标路径为 ~/my_pytorch_env) python -m venv ~/my_pytorch_env ``` 激活该虚拟环境： ```bash source ~/my_pytorch_env/bin/activate # Linux/MacOS ~/my_pytorch_env\Scripts\activate # Windows ``` #### 3. 安装 PyTorch 支持 GPU 版本 访问官方 PyTorch 网站获取适合当前系统的命令行脚本。通常情况下，推荐使用 pip 进行安装。例如，在具有 CUDA 11.x 的环境中可以执行如下命令来安装最新版的支持 GPU 的 PyTorch: ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` 注意替换 URL 参数中的 CUDA 版本来匹配实际硬件条件。 #### 4. 配置 PyCharm 解释器 打开 PyCharm 后进入 **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虚拟环境作为项目解释器。 #### 5. 测试 PyTorch 是否正常工作 编写简单的测试代码验证安装情况: ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"Number of GPUs: {torch.cuda.device_count()}") print(f"Current Device Name: {torch.cuda.get_device_name(0)}") else: print("No available GPU.") ``` 上述代码会打印出系统中可用的 GPU 数量及其名称；如果一切设置无误的话，“CUDA Available”应返回 True。 --- ### 注意事项 - 如果遇到任何错误提示关于找不到库或者模块加载失败等问题，请重新检查每一步骤操作准确性。 - 对于更复杂的深度学习模型训练场景下可能还需要额外依赖项比如 cuDNN 等组件也需要提前部署好。