anaconda gpu版本pytorch pycharm

### 安装或配置Anaconda环境中GPU版本的PyTorch以在PyCharm中使用

#### 判断硬件支持CUDA
为了确保能够顺利安装并运行GPU加速版的PyTorch，在开始之前需确认计算机配备有兼容NVIDIA显卡以及已正确安装驱动程序和支持库，比如CUDA Toolkit和cuDNN。这可以通过命令`nvidia-smi`来验证是否有可用的GPU设备及其状态。

#### 创建新的Conda环境
建议创建独立于其他项目的虚拟环境来进行操作，防止不同依赖项之间发生冲突。通过以下指令建立名为`pytorch_env`的新环境，并激活它：

conda create -n pytorch_env python=3.9
conda activate pytorch_env

#### 安装必要的组件
接着按照官方推荐的方式安装特定版本号匹配好的PyTorch及相关工具包组合。这里假设目标平台为Linux/Windows/macOS且具备合适的CUDA版本，则执行如下命令完成安装过程[^1]:

对于CUDA 11.7的支持：

conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch

如果使用的不是上述指定版本的CUDA，请访问[官方网站](https://pytorch.org/get-started/locally/)获取对应命令。

#### 配置PyCharm识别新环境
启动PyCharm之后，进入文件菜单下的“Settings”选项（Mac用户则是Preferences），导航至Project Interpreter部分。点击右侧齿轮图标选择Add...按钮，从列表里挑选Conda Environment -> Existing environment，最后指向刚才创建的那个Python解释器路径即可让IDE自动加载所需的库文件[^2]。

#### 测试安装成果
编写简单的测试脚本来检验是否成功启用了GPU计算能力：

import torch

if __name__ == "__main__":
    device = "cuda" if torch.cuda.is_available() else "cpu"
    print(f"Using {device} device.")
    
    x = torch.rand(5, 5).to(device)
    y = torch.rand(5, 5).to(device)

    z = x @ y.T
    
    print(z.cpu())

这段代码会尝试分配张量到GPU上进行矩阵乘法运算；如果没有检测到有效的CUDA资源则退回到CPU模式下工作。