2.3　在Windows环境下安装GPU版的PyTorch

2.3.1　确认显卡是否支持CUDA

在深度学习中，我们经常要对图像数据进行处理和计算，而处理器CPU因为需要处理的事情多，并不能满足我们对图像处理和计算速度的要求，显卡GPU就是用来帮助CPU解决这个问题的，GPU特别擅长处理图像数据。

为什么GPU特别擅长处理图像数据呢？这是因为图像上的每个像素点都有被处理的需要，而且每个像素点处理的过程和方式都十分相似，GPU就是用很多简单的计算单元来完成大量的计算任务，类似于纯粹的人海战术。GPU不仅可以在图像处理领域大显身手，它还被用在科学计算、密码破解、数值分析、海量数据处理（比如排序、Map-Reduce）、金融分析等需要大规模并行计算的领域。

而CUDA（Compute Unified Device Architecture）是显卡厂商NVIDIA推出的只能用于自家GPU的并行计算架构，只有安装这个软件，才能够进行复杂的并行计算。该架构使GPU能够解决复杂的计算问题。它包含CUDA指令集架构（Instruction Set Architecture，ISA）以及GPU内部的并行计算引擎，安装CUDA之后，可以加快GPU的运算和处理速度，主流的深度学习框架也都是基于CUDA进行GPU并行加速的。

想要使用GPU加速，则需要安装CUDA，首先需要自己的计算机显卡支持CUDA的安装，也就是查看自己的计算机有没有NVIDA的独立显卡。在NVIDA官网列表（https://developer.nvidia.com/cuda-gpus）中可以查看自己的显卡型号是否包括在NVIDA列表中。

在计算机桌面上右击，在弹出的菜单中如果能找到NVIDIA控制面板，如图2-9所示，则说明该计算机配有GPU。

图2-9

打开NVIDIA控制面板窗口，可以查看NVIDIA的一些信息，包括显卡的驱动版本，通过单击“帮助”菜单，并选择“系统信息”选项，查看系统信息获取支持的CUDA版本。如图2-10所示，选择“组件”，在3D设置模块找到NVCUDA64.DLL，在该行可以看到该NVCUDA的版本，可以看到图中显示的版本是11.8。

图2-10