---

一、待解決問題

1.1 問題描述

為了最終運行MARL算法代碼，在安裝好anaconda環境后，進行pytorch框架的安裝。

1.2 解決方法

操作系統：ubuntu 22.04 LTS
顯卡型號：Geforce RTX 4060 Mobile
顯卡驅動：nvidia-550.120
CUDA版本：CUDA 12.4
預裝軟件：Anaconda

（1）明確pytorch安裝依賴。
（2）conda創建虛擬環境。
（3）安裝pytorch。
（4）驗證pytorch安裝。
（5）安裝tensorflow。
（6）驗證tensorflow安裝。

二、方法詳述

2.1 必要說明

? GPU、Nvidia顯卡驅動、CUDA Toolkit、pytorch框架是什么關系呢？
簡單來說就是圖示中的關系，層層調用。

• 硬件設備：GPU 是一種專門用于進行圖形計算和并行計算的硬件設備
• 硬件驅動：Nvidia 顯卡驅動是運行在操作系統上的軟件，用于讓操作系統和應用程序能夠與 Nvidia GPU 進行通信和交互。它提供了對 GPU 硬件的底層控制和管理，確保 GPU 能夠正常工作，并將來自應用程序的指令正確地傳遞給 GPU。
• GPU應用工具包：CUDA Toolkit 是用于開發基于 CUDA 應用程序的工具包，它包含了編譯器、庫、運行時環境等組件，使開發者能夠利用 GPU 的強大計算能力進行通用計算。它依賴于 Nvidia 顯卡驅動來與 GPU 進行交互。
• 深度學習框架：PyTorch 是一個流行的開源深度學習框架。它支持使用 GPU 來加速計算，當 PyTorch 運行在安裝了 CUDA Toolkit 和 Nvidia 顯卡驅動的環境中時，它可以通過 CUDA Toolkit 調用 GPU 的計算資源，從而實現對深度學習模型的快速訓練和推理。

2.2 應用步驟

2.2.1 明確pytorch安裝依賴

目標導向，首先查看pytorch官網，了解官網安裝依賴。
鏈接：pytorch Get Start

總結如下：

python版本要求：3.9或更新
ubuntu版本要求：13.04或更新
包管理工具：Anaconda 或 pip3

（1）python版本要求：

（2）操作系統版本要求

（3）包管理工具要求

2.2.2 conda創建虛擬環境

依據pytorch中對python版本的要求，創建一個python 3.11的環境。

#查看已創建的虛擬環境
conda info --envs
#創建python 3.11的虛擬環境
conda create -n marl_onpolicy python=3.11
#激活剛創建的虛擬環境
conda activate marl_onpolicy
#安裝pip3
sudo apt install python3-pip
#查看當前虛擬環境下已安裝的包
conda list

? 這里為什么要安裝pip3 ？
因為pytorch官網安裝命令提示，已不支持conda安裝。

2.2.3 安裝pytorch

確認已安裝的CUDA版本。

nvcc -V

在pytorch官網選擇對應選項，并在虛擬環境下運行命令

pip3 install torch torchvision torchaudio

安裝過程無報錯，最后提示安裝了如下組件：

Installing collected packages: triton, nvidia-cusparselt-cu12, mpmath, typing-extensions, sympy, pillow, nvidia-nvtx-cu12, nvidia-nvjitlink-cu12, nvidia-nccl-cu12, nvidia-curand-cu12, nvidia-cufft-cu12, nvidia-cuda-runtime-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-cupti-cu12, nvidia-cublas-cu12, numpy, networkx, MarkupSafe, fsspec, filelock, nvidia-cusparse-cu12, nvidia-cudnn-cu12, jinja2, nvidia-cusolver-cu12, torch, torchvision, torchaudio
Successfully installed MarkupSafe-3.0.2 filelock-3.17.0 fsspec-2025.2.0 jinja2-3.1.5 mpmath-1.3.0 networkx-3.4.2 numpy-2.2.3 nvidia-cublas-cu12-12.4.5.8 nvidia-cuda-cupti-cu12-12.4.127 nvidia-cuda-nvrtc-cu12-12.4.127 nvidia-cuda-runtime-cu12-12.4.127 nvidia-cudnn-cu12-9.1.0.70 nvidia-cufft-cu12-11.2.1.3 nvidia-curand-cu12-10.3.5.147 nvidia-cusolver-cu12-11.6.1.9 nvidia-cusparse-cu12-12.3.1.170 nvidia-cusparselt-cu12-0.6.2 nvidia-nccl-cu12-2.21.5 nvidia-nvjitlink-cu12-12.4.127 nvidia-nvtx-cu12-12.4.127 pillow-11.1.0 sympy-1.13.1 torch-2.6.0 torchaudio-2.6.0 torchvision-0.21.0 triton-3.2.0 typing-extensions-4.12.2

2.2.4 驗證pytorch安裝

（有pycharm、vscode等IDE的可跳過這一步）
首先安裝spyder IDE

conda install spyder
#啟動spyder
spyder

官方提供了驗證方式，在IDE中python編譯以下代碼，能夠正確輸出即表示pytorch安裝成功。

import torch
x = torch.rand(5, 3)
print(x)
if torch.cuda.is_available():print("cuda available_flag: yes")
else:print("cuda available_flag: no")

輸出矩陣，并且表明CUDA可使用，即安裝成功。

2.2.5 安裝Tensorflow

在虛擬環境下，開始安裝。
（！需要主要的是，tensorflow 版本對python版本是有需求的，先自動安裝，不能運行再調整版本）

conda install tensorflow-gpu
#查看tensorflow版本
conda list | grep tensor

2.2.6 驗證Tensorflow安裝

打開spyder，輸入以下代碼，看是否有輸出。

import tensorflow as tf
tf.add(1, 2).numpy()
hello = tf.constant('Hello, TensorFlow!')
hello.numpy()
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

💐💐💐 完結撒花 💐💐💐

三、疑問

暫無

四、總結

• GPU、顯卡驅動、CUDA Toolkit都是nvidia官方提供的。
• pytorch 作為深度學習框架提供了許多模型，用戶可以基于這些模型開發自己應用。
• anaconda 作為包管理工具可以很好地控制各開發代碼的環境，編寫新代碼時建議創建新環境，以更好控制代碼版本。