最近老白弄了点私活，打算把自家的老旧电脑好好利用下，搞搞模型训练。以前用的都是公司资源，环境都是配置好的。这次正好自己配置下，在这里就记录下学习过程，方便后来查阅，也方便需要的朋友查看。

1. 必备知识 - 什么是Compute Capability (CC)

Compute Capability（计算能力）是NVIDIA用来标识GPU架构特性的版本号。它由主版本号和次版本号组成（如8.6），主版本号表明GPU的核心架构，次版本号表明该架构的增量改善。不同的CC支持不同的CUDA功能，如共享内存大小、最大线程数等。

2. 确定显卡和CC值

1. 打开Windows设备管理器->显示适配器查看显卡型号，列如我使用的是3060
2. 访问 NVIDIA官方网站 (https://developer.nvidia.com/cuda-gpus)
3. 在列表中查找你的显卡型号，对应的CC值就在旁边。例如：RTX 3060的CC值为8.6

查看使用显卡型号

显卡对应CC值

3. 确认CUDA版本兼容性

访问NVIDIA CUDA文档（
https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#compute-capabilities），可以找到CC和对应架构的名字。

查看CUDA版本的Release Notes，一般在release notes 里面会有关于哪些架构或者CC不支持或者最低支持的要求。一般我通过查找“compute”来确认CUDA版本支持的CC或者架构。列如下图中是CUDA 11.7的release notes，其就声明了不再支持kepler架构。

一般原则：

• CC 8.x (Ampere): CUDA 11.0+
• CC7.x (Volta/Turing): CUDA 10.0+
• CC6.x (Pascal): CUDA 8.0+

4. 选择PyTorch版本

1. 访问PyTorch官网版本页面（https://pytorch.org/get-started/previous-versions/）
2. 根据已确定的CUDA版本选择对应的PyTorch版本
3. 记录下安装命令，例如（如果使用conda安装）： conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

5. Python版本选择

1. 查看选定PyTorch版本支持的Python版本范围
2. 一般提议：

• PyTorch 2.0+: Python 3.8-3.11
• PyTorch 1.x: Python 3.7-3.9

6. Anaconda安装

这边使用conda 来进行安装的好处是，我们同时拥有了包管理和环境管理两个工具。并且conda能够协助处理好对应的cuda的下载。如果我们只是使用wheel（基于pip）或者pip，某些非python的依赖可能就没办法很好的处理。

1. 访问 https://www.anaconda.com/download/success （这个链接可以允许我们不注册就进行下载，对的下载个软件还非要注册真的很烦）
2. 下载对应操作系统的安装包
3. 运行安装程序
4. 提议根据conda的推荐配置进行配置。列如不勾选“Add Anaconda to my PATH environment variable”，以及勾选“Register Anaconda as my default Python 3.x”

7. 环境配置步骤

# 创建新的conda环境
conda create -n pytorch-env python=3.10.11

# 激活环境
conda activate pytorch-env

# 安装CUDA Toolkit（以CUDA 11.8为例）
# 查看https://anaconda.org/nvidia/cuda-toolkit获得具体repo
conda install cuda-toolkit -c nvidia/label/cuda-11.7.0

# 安装PyTorch（以CUDA 11.7和PyTorch 2.0.1为例）
# 查看https://pytorch.org/get-started/previous-versions
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.7 -c pytorch -c nvidia

# 验证安装
python -c "import torch; print(torch.cuda.is_available())"
python -c "import torch; print(torch.version.cuda)"
python -c "import torch; print(torch.backends.cudnn.enabled)"

如果上述验证全部通过，说明环境配置成功。如果遇到错误，请根据上面的步骤再次检查：

• CUDA版本与显卡是否兼容
• PyTorch版本与CUDA版本是否匹配
• Python版本是否在支持范围内