torch_cuda

### PyTorch与CUDA集成及相关问题

对于希望管理多个PyTorch版本的情况，可以利用`conda`环境来维护独立的Python包环境，每一个环境都可以绑定到特定构建的PyTorch上[^1]。当涉及到GPU加速时，确保PyTorch能够识别并有效使用CUDA变得至关重要。

为了使PyTorch支持CUDA，在安装过程中应当选择带有CUDA支持的预编译二进制文件。这通常意味着要根据本地系统的CUDA版本挑选合适的PyTorch轮子（wheel）。如果已经有一个不带CUDA支持的基础版PyTorch，则可以通过创建新的`conda`环境并指定包含所需CUDA版本的PyTorch来进行更新：

conda create -n pytorch_cuda python=3.8
conda activate pytorch_cuda
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

上述命令会建立一个新的名为`pytorch_cuda`的环境，并安装具有CUDA 11.3支持的PyTorch及其依赖项。

一旦设置了适当的支持CUDA的PyTorch环境之后，验证CUDA可用性的方法如下所示：

import torch

if torch.cuda.is_available():
    device = 'cuda'
else:
    device = 'cpu'

print(f'Using {device} device')
tensor_example = torch.tensor([1., 2., 3.], device=device)
print(tensor_example)

这段代码首先检查是否存在可用的CUDA设备；如果有，则设置默认张量类型为该设备上的张量，并打印确认消息以及一个简单的测试张量实例。

值得注意的是，在某些情况下可能还需要调整应用程序本身以适应不同框架的需求，比如针对训练任务做出必要的更改以便于处理像PyTorch这样的工作负载[^2]。