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。
搜 "miniconda download",选 Windows 64-bit
安装时勾选 "Add to PATH"(不勾的话后面要在 Anaconda Prompt 里操作)
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 |
|---|---|
| 别用 |
指定 | 不指定会拿最新版,可能还没有对应的 torch 轮子 |
| 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 nvidiapip | conda | |
|---|---|---|
速度 | 快 | 慢(依赖求解) |
体积 | 小 | 大 |
CUDA 版本控制 | 靠 | 靠 |
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 |
|---|---|---|
| 装成了 CPU 版 | 卸载重装,加 |
| 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 |
| 没驱动 / 没 N 卡 | 装驱动,或改用 CPU 版 |
| 显存不够(不是装错) | 调小 batch_size,见下面 |
| 同第一条,CPU 版 | 重装 GPU 版 |
警告 | 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 |
|---|---|
| 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.txtrequirements.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( |
□ | 指定了 Python 版本 |
□ | 跑过 |
□ | 版本号里有 |
□ |
|
□ | 在 GPU 上跑通过一次矩阵乘 |
□ | 导出了 |
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。