安装gpu pytorch

### 安装支持GPU的PyTorch

为了确保能够顺利安装并使用带有GPU加速功能的PyTorch，建议按照以下方法操作：

#### 验证硬件兼容性和驱动程序
在尝试安装之前，确认计算机上的NVIDIA GPU满足最低计算能力要求，并已正确安装最新的[NVIDIA CUDA驱动](https://www.nvidia.com/Download/index.aspx)[^1]。可以通过命令`nvidia-smi`来验证GPU是否正常工作以及CUDA驱动是否已经正确配置。

#### 使用官方推荐的方式安装PyTorch
访问[PyTorch官方网站](https://pytorch.org/get-started/locally/)获取最新版适用于特定操作系统、包管理器（如pip或conda）、Python版本和所需CUDA版本组合下的安装指令。对于大多数情况而言，通过pip安装是最简单的方法之一：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

此命令会下载适合CUDA 11.3环境的预编译二进制文件；如果使用的不是这个版本，则需调整URL中的cu编号以匹配实际安装的CUDA版本号。

#### 处理旧款GPU不被支持的情况
当遇到因设备过老而不受支持的问题时，可以考虑降级到更早一些但仍能提供必要特性的PyTorch版本。例如，某些较新的特性可能仅限于更新型架构上实现，但对于基本运算来说，较低版本或许仍然适用。此时可查阅历史发行说明寻找合适的候选版本进行测试性部署。

另外一种解决方案是利用`--pre`选项安装尚未正式发布的开发版本，这些版本可能会提前加入对更多种类硬件的支持：

pip install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cu102

请注意这通常意味着稳定性有所牺牲，在生产环境中应谨慎采用这种方法。

#### 构建自定义PyTorch镜像
针对特殊需求场景下无法找到合适预构建包的情形，可以从源码自行编译PyTorch。不过这种方式技术门槛较高，涉及到复杂的依赖关系处理及编译参数设置等问题，除非确实有必要一般情况下并不推荐这样做。

最后提醒一点，完成上述任一方式的操作之后记得重启Python解释器使更改生效，并可通过如下代码片段快速检验GPU可用状态：

import torch
print(torch.cuda.is_available())