深度学习跑代码的时候，因为简单的操作不适合cpu运行，我们更习惯用GPU加速代码。
本章将介绍怎么安装pytorch的gpu环境，以及常见的问题
关于conda的安装，参考之前文章：深度学习环境配置：Anaconda 安装和 pip 源
pytorch官网提供的安装：链接：https://pytorch.org/
这里提供的版本都是较新的，电脑的硬件跟不上的话，可以选择之前版本的
网上有很多，这里介绍自己使用的
需要注意的，只有英伟达的显卡支持gpu加速，英特尔的不行
鼠标右键有NVIDIA 控制面板这个选项，就代表电脑有英伟达的显卡（window11 右键可能被隐藏了，点开显示更多选项展开即可）
可能配置不同，打开的界面不一样，没关系，继续操作就行了
点开 NVIDIA控制面板
点这
点开后，再点击这里：点击组件
如下：
说明电脑支持的最大cuda版本是12.0，安装小于等于这个版本的都可以
这里不建议选择最新的，选择之前的稳定一点，这里展示的是10.2版本
在conda新建好环境后，并且激活，利用pip安装即可
换成pip安装，将3删除就行了
等待下载完成即可：
首先还是要激活环境啊，如果你跟着本章来的话，已经在环境里面了就不需要激活
首先进入python环境，导入torch，然后输入torch.cuda.is_available()
当出现True的时候，那么恭喜你，gpu的配置成功了！！！！
这里建议在虚拟环境中，使用pip安装，实在安装不来，再用conda
尽量不要来回混肴使用！！
显卡问题，
这里之前在跑别人项目的时候，总会出现这个问题，当然没人解答，大部分人都说环境坏了，在新建一个就行了....
首先重点是，跑新的项目，一定要新建虚拟环境，这样才不会造成破坏，俗称环境污染？
那么新建好了虚拟环境，我辛辛苦苦看cuda版本，又去官网扒了好久历史版本才安装好的gpu环境。怎么能保证我随便pip install -r requirement就能保证gpu可以运行？
下面是自己的一些理解：
需要知道是，cuda和torch版本是两个概念。例如cuda的11版本，对应torch好多个小版本
torch版本无非有两种，相对于电脑的硬件来说，要么高了，要么低了
低了的才好，因为硬件是向下兼容的，就是说你cuda是11版本的。你跑的项目torch只要低于11版本，那么随便怎么安装requirement文件，都能保证gpu运行。对于大部分成熟的项目来说，torch版本都不会太高，因为越高越不稳定，开发者也不希望别人复现代码的时候一直报红。
第二种就是高了，高了的话，电脑肯定不支持cuda运行了。当然也不是不能解决
需要明白的是，不是开发者非要炫耀自己硬件好，才选择高的版本。有些功能在高的torch版本才有，例如混合精度计算，对于深度学习来说已经很常见了，好像torch1.10版本才支持，这种是没办法的。
如果真的高了，建议新建好环境的时候，看看torch的版本，如果和低版本的torch适应的话，在自身配置符合的情况下可以低几个小版本也没事。大不了在requirement文件把torch删除了就行了，咱们自己配置torch
当然，肯定有人不知道低多少合适。举个例子，你电脑的cuda是11版本的，别人项目需要12版本的cuda。看他torch的对应版本，往下降一点，不就是电脑可以支持的11版本了吗。要是还不知道，安装自身电脑最高的torch版本，然后跑一遍看看报不报错就行了
要是真的是配置跟不上，那真没办法了，搞深度学习还是需要钞能力...
以上为个人经验，希望对您有所帮助。
