conda:CPU 还是 GPU

这一课不讲深度学习,只讲一件事:把 PyTorch 装对。

装错了不会报错,只会白等。这部分内容适合读者在真正开始训练之前先确认一遍。

为什么用 conda,不用系统 Python

系统的 Python 只有一份。你在这个项目里装了某个版本,另一个项目需要另一个版本,就打架了。

conda 解决的是"隔离"问题:每个项目一个独立环境,各自有 Python 和包。

方案

隔离

能管非 Python 依赖

适合

系统 Python + pip

❌ 全局

❌

不推荐

venv

✅

❌ 只管 Python 包

小项目、纯 Python

conda

✅

✅ 能装 CUDA、编译器

深度学习

conda 的关键优势

深度学习依赖一堆非 Python 的二进制库:CUDA runtime、cuDNN、MKL。

venv 管不了这些,conda 能。

装 Miniconda,然后建一个环境

别装 Anaconda(几个 GB、塞一堆用不上的包)。装 Miniconda,只有 conda 和 Python。

  1. 搜 "miniconda download",选 Windows 64-bit

  2. 安装时勾选 "Add to PATH"(不勾的话后面要在 Anaconda Prompt 里操作)

  3. 装完开一个新终端,输入 conda --version 验证

PowerShell 里 conda 不能用的处理

PowerShell 默认禁止运行脚本,conda activate 会报 无法加载文件...因为在此系统上禁止运行脚本。

开管理员 PowerShell 跑一次:

Set-ExecutionPolicy -Scope CurrentUser RemoteSigned

建环境

conda create -n dl python=3.11 -y conda activate dl

三件事值得说:

做法

为什么

-n dl 给环境起名

别用 base。base 坏了要重装 conda

指定 python=3.11

不指定会拿最新版,可能还没有对应的 torch 轮子

-y

跳过确认

常用环境管理命令:

conda env list # 有哪些环境,* 是当前 conda activate dl # 进入 conda deactivate # 退出 conda remove -n dl --all # 整个删掉 conda list # 当前环境装了哪些包

CPU 版和 GPU 版的真正区别

这不是一个开关

PyTorch 的 GPU 版和 CPU 版是两个不同的安装包,里面编进去的代码不一样。

GPU 版内置了 CUDA 和 cuDNN 的二进制,体积大好几倍;CPU 版根本没有这些代码, 就算你有显卡也用不上。

所以"装了 CPU 版再改个设置就能用 GPU"——不可能,必须重装。

先确认你的机器能不能用 GPU

开终端输入:

nvidia-smi

能出下面这种表格就说明有 NVIDIA 显卡和驱动:

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 595.97 Driver Version: 595.97 CUDA Version: 13.1 | |-------------------------------+----------------------+----------------------+ | 0 NVIDIA GeForce RTX 5060 ... | 00000000:01:00.0 | | +-------------------------------+----------------------+----------------------+

没有这个命令、或者报"不是内部或外部命令",有两种情况:

情况

怎么办

没有 NVIDIA 显卡(Intel / AMD 核显)

装 CPU 版

有 N 卡但没装驱动

去 NVIDIA 官网下驱动,装完重启

看懂右上角的 CUDA Version

nvidia-smi 右上角那个 CUDA Version 是驱动支持的最高版本, 不是你已经装的版本。

这个数字是上限,不是要求

驱动显示 CUDA 13.1,意味着你能跑 CUDA 13.1 及以下的所有 PyTorch。

装 cu128(CUDA 12.8)的包完全没问题——向下兼容。

反过来不行:驱动只支持到 11.8,装 cu128 的包会报 CUDA driver version is insufficient。

三条安装命令

① CPU 版(没有 N 卡时)

pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

必须加 index-url

不加的话,pip install torch 在 Windows 上默认装的是 CPU 版, 看起来装成功了,但 torch.cuda.is_available() 是 False。

这是最常见的坑。

② GPU 版(用 pip)

去 pytorch.org 首页,用那个选择器生成命令。或者直接写:

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu128

把 cu128 换成你需要的 CUDA 版本(cu121 / cu124 / cu126 / cu128…)。

③ GPU 版(用 conda)

conda install pytorch torchvision pytorch-cuda=12.8 -c pytorch -c nvidia

pip

conda

速度

快

慢(依赖求解)

体积

小

大

CUDA 版本控制

靠 --index-url 选

靠 pytorch-cuda= 选

推荐

✅ 官方现在主推

需要 cuDNN 等配套库时

国内下载慢

两个办法,选一个:

# 办法一:用清华镜像装(注意:镜像上的 torch 通常只有 CPU 版) pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple # 办法二:开代理,直接用官方源(推荐,能拿到 GPU 版) # 在终端里临时设置 set HTTPS_PROXY=http://127.0.0.1:7890

镜像站的坑

国内镜像同步的主要是 PyPI 上的包,而 PyPI 上的 torch 在 Windows 上就是 CPU 版。

想装 GPU 版,必须走 download.pytorch.org。要么开代理,要么忍着慢。

验证

命令跑完了不代表装对了。用下面这段确认。

装完在环境里跑这一段:

import torch print(torch.__version__) # 2.11.0+cu128 ← 有 +cu 就是 GPU 版 print(torch.cuda.is_available()) # True print(torch.cuda.get_device_name(0)) # NVIDIA GeForce RTX 5060 Laptop GPU x = torch.randn(1000, 1000, device="cuda") print((x @ x).shape) # torch.Size([1000, 1000])

看版本号里的后缀

2.11.0+cu128 —— 有 +cu 就是 GPU 版,cu128 表示编译时用的 CUDA 12.8。

2.11.0+cpu 或干脆没有后缀 —— CPU 版。

出错对照表

验证不过的话,对照这张表找。

现象

原因

解决

is_available() 是 False,版本号没有 +cu

装成了 CPU 版

卸载重装,加 --index-url

CUDA driver version is insufficient

驱动太老,撑不住这个 CUDA 版本

更新 NVIDIA 驱动,或装更低 cu 版本的包

nvidia-smi 找不到

没驱动 / 没 N 卡

装驱动,或改用 CPU 版

CUDA out of memory

显存不够(不是装错)

调小 batch_size,见下面

Torch not compiled with CUDA enabled

同第一条,CPU 版

重装 GPU 版

警告 CUDA initialization: ...

驱动加载失败

重启,或重装驱动

装完要花多少空间

实测一个装了 GPU 版 torch 的环境:

项目

体积

torch 包本身

4211 MB

整个环境目录

9.4 GB

为什么这么大

GPU 版把 CUDA runtime、cuDNN、cuBLAS、各种算子的预编译内核全打进去了。

CPU 版大约 200 MB,差 20 倍。

所以装之前先看看 C 盘剩多少,必要时把环境建在别的盘。

把环境记录下来

环境装好后导出,换机器或重装时能一键还原:

conda env export > environment.yml conda env create -f environment.yml

更轻量的做法是只记 pip 包:

pip freeze > requirements.txt pip install -r requirements.txt

requirements.txt 里的 torch 要写清楚

pip freeze 记下来的是 torch==2.11.0+cu128, 但别人 pip install -r 时会去 PyPI 找 CPU 版,装不上。

在文件开头加一行,明确来源:

--index-url https://download.pytorch.org/whl/cu128 torch==2.11.0+cu128

检查清单

装好之后过一遍这八条,再往下学。

✓

检查项

□

装了 Miniconda,不是 Anaconda

□

建了独立环境(-n dl),不是用 base

□

指定了 Python 版本

□

跑过 nvidia-smi,知道自己有没有 N 卡

□

版本号里有 +cu(如果要用 GPU)

□

torch.cuda.is_available() 是 True

□

在 GPU 上跑通过一次矩阵乘

□

导出了 environment.yml 或 requirements.txt

下一课

环境好了,下一课看 PyTorch 里最基本的东西:张量。

它和 numpy 数组很像,但多了两样——能上 GPU,能记梯度。