pytorch|深度学习——安装PyTorch，Cuda、CuDNN 配置环境神经网络|cuda|深度学习

PyTorch的下载没有选择下载Anaconda的方法，而是选择分别下载Cuda、CuDNN，而后利用pip下载PyTorch。
PyTorch具体的下载步骤见一下链接：
Pytorch(一) Pytorch 的安装_开开心心-CSDN博客_pytorch
其中，由于以上链接Cuda和CuDNN不太清晰，针对Cuda、CuDNN安装教程补充见以下链接：
【pytorch|深度学习——安装PyTorch，Cuda、CuDNN 配置环境】cuda安装教程+cudnn安装教程_sinat_23619409的博客-CSDN博客_cuda安装
针对PyTorch下载补充：

进入PyTorch官网Start Locally | PyTorch
按照图中选择 pip下载方式

文章图片

选择复制箭头所指命令，在cmd控制面板中输入命令，而后开始下载
3：下载成功后，在PyCharm中进行测试，输入如下命令

import torchprint("torch version{}".format(torch.__version__))

运行出现如图所示结果，说明安装成功

文章图片

以下为PyTorch、Cuda、CuDNN简介 PyTorch：
PyTorch是一个开源的Python机器学习库，其前身是著名的机器学习库Torch。2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出了PyTorch，它是一个面向Python语言的深度学习框架，不仅能够实现强大的GPU加速，同时还支持动态神经网络，这是很多主流深度学习框架比如Tensorflow等都不支持的。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。除了Facebook外，它已经被Twitter、CMU和Salesforce等机构采用。作为经典机器学习库Torch的端口，PyTorch 为 Python 语言使用者提供了舒适的深度学习开发选择。
Cuda：
随着显卡的发展，GPU越来越强大，而且GPU为显示图像做了优化。在计算上已经超越了通用的CPU。如此强大的芯片如果只是作为显卡就太浪费了，因此NVidia推出CUDA，让显卡可以用于图像渲染和计算以外的目的（例如这里提到的通用并行计算）。CUDA即Compute Unified Device Architecture，是NVidia利用GPU平台进行通用并行计算的一种架构，它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。开发人员可以利用C言、OpenCL、Fortran、c++等为CUDA架构编写程序。简单来理解，cuda就是NVidia提供的可以将显卡进行并行运算的一种软件驱动。
CuDNN：
我们使用Pytorch的最终目标是用它来进行深度学习训练和推理，深度学习本质上就是训练深度卷积神经网络。尽管我们已经可以用cuda使得显卡来完成并行计算任务，但是所有的操作还是比较底层的、复杂的。cudnn就是在cuda之上有一个专门用于深度神经网络的SDK库来加速完成相关特定的深度学习操作。
NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如caffe、tensorflow、pytorch、mxnet等。cudnn简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。
简单来说，cuda就是用来定义显卡并行运算的一些列底层GPU操作库，cudnn则是在cuda基础上专门正对深度学习定制的高级GPU操作库。
简介部分引用链接面向Windows的Pytorch完整安装教程_冰海的博客-CSDN博客_windows安装pytorch中的内容。