这里主要讲Windows下安装Pytorch的安装过程
对于Ubuntu下Pytorch安装移步：（二）Ubuntu系统Pytorch环境配置
对于Widnows+Ubuntu双系统安装移步：（一）Ubuntu安装详细教程（从镜像制作到NVIDIA驱动安装全流程）——超详细的图文教程
配置如下：
- windows10
- miniconda
- pytorch+gpu
- cuda
- cudnn
1、显卡驱动
因为本文是按照GPU版本的Pytorch，所以要使用GPU。在Windows系统下GPU驱动已经很友好了，基本上是已经安装好了的，所以不再赘述。
2、安装miniconda
miniconda和Anconda一样，只不过更加精简，但是功能不少。我们安装miniconda主要是用它来管理我们的环境，所以miniconda已经够用了。
2.1 下载安装
你有两种方式下载：
- 从Miniconda下载
- 或者从清华大学开源软件镜像站搜索anaconda，点击进入找到miniconda，然后选择自己合适的版本。
剩下的大家可以参考这一篇（比较Windows安装还是比较简单的）：windows安装miniconda，该文是采用第一种方式下载的。
2.2 使用方法
首先我们来验证下是否可用？在命令行中直接输入conda回车，如果看到如图即conda可以正常使用了
2.2.1 创建一个新环境
假设我们现在有一个任务，我们需要安装特定Pytorch等包，现在我们专门为该任务创建一个环境。
创建新环境命令：conda create -n testEnv python=3.7（期间会让你输入y表示同意继续）,create表示你要进行创造新环境,-n即name是你新环境的名字，后面是指定该环境python的版本。比如有的任务需要python3.6有的需要python3.7，根据需要而定
以上是创建好了的，还给你两个提示：
激活环境：conda activate testEnvs
退出环境：conda deactivate（当然是你在该环境中执行，才能推出该环境）
现在我通过激活命令已经进入到才创建的环境中，可以看到如果你成功进入了目标环境，在命令行头的括号中会表示你现在所处的环境
至此我们创建了一个新环境并进入到了该环境，接下来就如同你以前操作python那样，使用pip等照常使用即可。（新手易犯的错误是，使用这个环境，却在一个环境中使用pip安装库，然后运行代码发现依旧提示没有这个Module）
3、安装CUDA和cuDNN
在这一步，一般安装教程都是去官网下载安装包然后配置环境变量等，但还有一种我认为简单的方法，就是使用conda自带的安装器。
首先你需要知道的是，当你想安装一个库时，你可以通过pip install name或conda install name安装，也就是pip和conda都可以安装库，更多细节可以自行百度。
但是conda是针对环境的包管理器（包括了CUDA和cuDNN环境），而pip是针对python的包管理器
3.1 安装CUDA
首先我们进入目的环境，然后查询当前环境支持的CUDA，查询命令：
conda search cudatoolkit --info
然后会列举出所有可安装的CUDA版本（一般都只看一个点后的版本）（这里为部分截图，可以看到最新的支持为CUDA11.1和CUDA11.3）：
为了让Pytorch和CUDA匹配，去官网看Pytorch版本：
于是我可以选择pytorch1.12+cuda11.3的搭配
于是我们conda命令安装cuda11.3：
conda install cudatoolkit==11.3.1
至此CUDA便安装好了！
3.2 安装cuDNN
如法炮制，先搜索支持的cuDNN版本：
conda search cudnn --info
可以看到给出了所有支持的cuDNN已经该cuDNN支持的CUDA版本区间（可能小cudnn版本也支持大版本的CUDA，所以需要浏览所有的支持的CUDA版本）
因为我们安装了cuda11.3，而cudnn8.2.1是支持11.0~11.4的，所以我们安装cudnn8.2.1版本：
conda install ducnn==8.2.1
安装完毕后，我们通过conda list查看：
可以看到我们已经安装了cudatoolkit和cudnn
至此CUDA和粗DNN已经按照完毕！
4、安装Pytorch
首先我们在官网GET STARTED按实际情况选择，
底下会给出安装命令，我们执行：
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
等待时间较长，耐心等待
如果没有保存正常安装，如下所示：
（除了torch，还有一些其他依赖库会自动安装）
5、验证及使用
网上大多数是通过torch.cuda.is_availabel()来验证，但是实践中发现有时该命令输出True后，在后续pytorch使用中也会报错。
所以更稳靠的方式是创建一个tensor，并放置到cuda上去，如果没有报错并成功放上去了，就证明验证成功，并可以正常使用CUDA：
torch.tensor([1]).cuda()
该命令是创建一个内容为[1]的tensor，并将其放置到cuda上去，如下图结果是成功创建了tensor，并且该tensor位于’cuda:0’上
至此验证成功！