一、检查自己的环境

1.拥有NVIDIA的GPU（俗称N卡）

当然这样的情况是比较好的，因为你大概率能使用你的GPU来运行pytorch。当然也不是绝对的，有的较早期的显卡也不支持CUDA。CUDA是NVIDIA的GPU独有的，拥有CUDA pytorch就能把计算任务分给GPU，从而加速深度学习和模型训练。

2.拥有AMD的GPU(俗称A卡)

这种情况也就相对复杂了，因为没有CUDA所以很有可能你无法安装pytorch的GPU版本。退而求其次你只能选择CPU版本。当然这也不是绝对的，在AMD的较新系列显卡中，我们可以使用AMD的ROCM技术来模拟CUDA，从而也能实现对深度学习的加速，而且pytorch有具有一个专门的ROCM版本。当然，我这里硬件不允许所以不演示这种方案了。大家可以自行在网络上进行搜索。之前也提到了，这种方案只支持比较新的AMD的GPU如果你的GPU是6000系以下的基本都没有适配，只能考虑安装CPU版本的。

3.只拥有CPU

如果你是自己组建的多核计算服务器，或者是硬件实在不允许，那你就只能考虑pytorch的CPU版本。这个版本的pytorch只能进行最基本的深度学习，没有加速功能，这也就意味着运行模型的速度会慢许多。甚至在一些场景中只能进行推理不能进行训练。但是这也是安装最简单，并且最容易适配的方案。 通过检查自己的环境相信你已经知道了自己适合哪个版本的pytorch了，下面就让我们根据自己的环境来安装pytorch吧。

二、Anconda安装

1.执行 Anaconda 安装

双击该安装文件，启动 Anaconda 安装向导。

在安装向导的欢迎页面，点击【Next】继续。

阅读许可协议后，点击【I Agree】表示同意。

选择安装类型（通常保持默认），然后点击【Next】。

选择安装目标文件夹：

注意：Anaconda 需要较多磁盘空间，推荐选择 C 盘以外的其他磁盘进行安装。
例如：D:\anaconda3

选定路径后，点击【Next】。

在高级安装选项页面，通常保持默认设置即可。点击【Install】按钮开始安装过程。

请耐心等待安装程序完成。（建议在安装期间不要运行其他大型程序）

安装成功后，点击【Next】，最后点击【Finish】完成安装向导。

2. 配置 Anaconda 环境变量

在 Windows 搜索框中输入“环境变量”，然后选择“编辑系统环境变量”。

在弹出的“系统属性”窗口中，切换到【高级】选项卡，然后点击【环境变量】按钮。

在“环境变量”窗口中，找到“系统变量”（或“用户变量”）下的【Path】（或【PATH】）条目，选中它，然后点击【编辑】。

注意：通常修改系统变量的 Path 会对所有用户生效，修改用户变量的 Path 仅对当前用户生效。选择其中一个进行配置即可。

在编辑环境变量窗口中，点击【新建】，然后添加以下路径（请将 D:\anaconda3 替换为您实际的 Anaconda 安装路径）：

D:\anaconda3
D:\anaconda3\Scripts
D:\anaconda3\Library\bin

添加完成后，依次点击【确定】保存所有打开的设置窗口。

3.验证 Anaconda 安装

在命令行窗口中输入 conda --version 并按回车。如果成功显示 Anaconda 的版本号，则表示安装和环境变量配置成功。

三、Pytorch安装

1.GPU版本

1.1 CUDA安装

1.1.1 查看电脑显卡型号

首先确认您的计算机是否配备NVIDIA显卡：

右键点击【此电脑】。

选择【管理】。

在“计算机管理”窗口中，点击【设备管理器】。

展开【显示适配器】类别。

查看是否有列出NVIDIA GeForce型号的显卡。

1.1.2 下载CUDA

注意：CUDA版本需要与您计划安装的PyTorch版本兼容。盲目安装最新版可能导致问题。

本教程推荐使用CUDA 12.8.0版本，它与较新的PyTorch版本兼容性较好。
从官网下载：

1. 访问NVIDIA CUDA Toolkit存档页面: https://developer.nvidia.com/cuda-toolkit-archive
2. 找到并选择CUDA Toolkit 12.8版本。
3. 根据您的系统选择：Windows操作系统，x86_64架构，对应的Windows版本。
4. 选择下载本地安装程序。
   
   根据自己电脑实际其情况选择。
   

1.1.3安装CUDA

双击下载的CUDA安装文件，启动安装程序。

程序会要求指定临时解压路径，可使用默认设置，点击【OK】。

等待解压和系统检查完成。在许可协议界面，点击【同意并继续】。

在安装选项中，推荐选择【自定义（高级）】，然后点击【下一步】。

在自定义安装组件页面，可以取消勾选不需要的组件（如 Nsight、GeForce Experience 等，仅保留核心 CUDA Runtime 和 Development 组件即可），然后点击【下一步】。

确认CUDA的安装位置，通常建议保持默认路径（一般在C盘 Program Files 下）。点击【下一步】。

点击【下一步】开始安装。

等待安装完成后，点击【关闭】。
配置CUDA环境变量（重要）
安装程序通常会自动配置环境变量，但建议检查确认：

按照配置Anaconda环境变量的方法，打开系统环境变量编辑窗口。

检查“系统变量”中是否存在名为 CUDA_PATH 或 CUDA_PATH_V12_8 的变量，并指向正确的CUDA安装目录。

检查系统变量 Path 中是否包含以下两条路径（请根据您的实际安装版本调整 v12.8）：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8\lib\x64

如果缺失，请手动添加。

添加或确认无误后，点击【确定】保存。

1.1.5 验证CUDA安装

验证CUDA是否正确安装：

打开命令提示符（CMD）。

输入命令：nvcc -V （注意V是大写）并按回车。

如果成功显示CUDA的版本信息（应为12.8），则表明CUDA安装和配置成功。

1.2. Pytorch下载

复制页面生成的conda安装命令。请确保复制的是conda命令。

访问PyTorch官网获取安装命令页面：https://pytorch.org/get-started/locally/

在页面上选择与您的环境匹配的选项：

复制页面生成的conda安装命令。请确保复制的是conda命令。

打开Anaconda Prompt。

创建一个新的conda虚拟环境（推荐做法，以隔离项目依赖）：

conda create -n pytorch_env python=3.10

(您可以将pytorch_env替换为自定义名称，python=3.10指定Python版本)

当提示时，输入 y 并按回车确认创建环境。

激活新创建的环境：

conda activate pytorch_env

(将pytorch_env替换为您实际的环境名称)

将完整命令粘贴到已激活环境的命令行中，按回车执行。

pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu128

接下来是一个漫长的等待过程，会很慢很慢很慢。

如果安装过程中断，可以重新运行安装命令继续。

1.3 验证PyTorch安装

检查PyTorch是否安装成功并能使用GPU：

确保您仍处于已激活的PyTorch虚拟环境中。

在命令行输入python进入Python交互式环境。

输入以下代码并执行：

python
import torch
print(torch.__version__) # 输出版本号
print(torch.cuda.is_available())  # 应输出True
if torch.cuda.is_available():
    print(f"GPU型号: {torch.cuda.get_device_name(0)}")

如果输出True，表示PyTorch已成功安装并能检测到GPU。

如果输出False，表示PyTorch未安装成功（可能CUDA未安装或配置错误）。

输入 exit() 退出Python环境。

2.CPU版本

2.1 Pytorch下载

适用于无NVIDIA GPU或仅需CPU计算的环境，通过指定CPU专用仓库完成安装：

pip3 install torch torchvision

2.2 验证

确保您仍处于已激活的PyTorch虚拟环境中。

在命令行输入python进入Python交互式环境。

输入以下代码并执行：

python
import torch
print(torch.__version__)  # 输出版本号
print(torch.cuda.is_available())  # 应输出False