windows安装pytorch gpu版本

### 如何在 Windows 上安装 PyTorch GPU 版本

#### 使用 Conda 安装 PyTorch 和 CUDA 工具包
为了确保兼容性和简化依赖管理，推荐使用 Anaconda 或 Miniconda 来创建虚拟环境并安装所需的库。通过 `conda` 命令可以方便地获取预编译好的 PyTorch 及其相关组件。

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

这条命令会自动下载适合当前系统的 PyTorch GPU 版本以及对应的 CUDA 工具包版本[^2]。

#### 配置系统环境变量
对于某些情况可能还需要手动设置一些环境变量以便让 Python 能够找到 NVIDIA 的工具链。具体来说就是把 CUDA 的 bin 文件夹加入到 PATH 中：

- 添加如下路径至系统的环境变量（注意替换为实际安装位置）：

  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X\bin

这一步骤有助于解决潜在的找不到动态链接库的问题[^3]。

#### 测试安装是否成功
完成上述操作之后就可以编写简单的测试脚本来确认一切正常工作了。下面是一个用于检测是否有可用 GPU 设备的小例子：

import torch
from transformers import BertModel, BertTokenizer

if torch.cuda.is_available():
    print("PyTorch GPU 环境搭建成功！")
else:
    print("PyTorch GPU 环境搭建失败，请检查安装步骤。")

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model_name_or_path = "bert-base-chinese"
tokenizer = BertTokenizer.from_pretrained(model_name_or_path)
model = BertModel.from_pretrained(model_name_or_path).to(device)

text = "你好世界"
encoded_input = tokenizer(text, return_tensors='pt').to(device)
output = model(**encoded_input)
print(output.last_hidden_state.shape)

这段代码不仅验证了 PyTorch 是否能够访问 GPU ，同时也加载了一个基于 BERT 的模型实例来进一步检验整个流程是否顺畅[^1]。