1. 配置cuda环境

• 在命令行输入以下命令可以查看当前显卡驱动版本和最高支持的cuda版本

nvidia-smi

• 根据cuda版本去官网下载并安装cuda
  下载链接：https://developer.nvidia.com/cuda-toolkit-archive
• 根据cuda、cudnn版本对照表下载安装合适的cudnn
  版本对照：https://docs.nvidia.com/deeplearning/cudnn/backend/v9.12.0/reference/support-matrix.html
  下载链接：https://developer.nvidia.com/cudnn-archive

2. 配置conda环境

• 去官网下载anaconda
  下载链接：https://repo.anaconda.com/archive
• conda换源

  conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
  conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
  conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
  conda config --set show_channel_urls yes
  

• pip换源

  pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
  

• 安装uv

  pip install uv
  

• 安装conda环境（python维护周期查询）

  conda create -n [环境名] python=3.x -y
  

3. 配置pytorch gpu环境

• 先去官网查询安装torch等库的命令
  官网链接：https://pytorch.org/get-started/previous-versions/
• 使用在命令前加上uv再执行命令提高下载速度，比如

  uv pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu128
  

• 安装后，运行python，执行以下代码验证是否配置成功

  import torch
  torch.cuda.is_available()
  torch.cuda.get_device_name(0)