1. 配置cuda環境

• 在命令行輸入以下命令可以查看當前顯卡驅動版本和最高支持的cuda版本

nvidia-smi

• 根據cuda版本去官網下載并安裝cuda
  下載鏈接：https://developer.nvidia.com/cuda-toolkit-archive
• 根據cuda、cudnn版本對照表下載安裝合適的cudnn
  版本對照：https://docs.nvidia.com/deeplearning/cudnn/backend/v9.12.0/reference/support-matrix.html
  下載鏈接：https://developer.nvidia.com/cudnn-archive

2. 配置conda環境

• 去官網下載anaconda
  下載鏈接：https://repo.anaconda.com/archive
• conda換源

  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換源

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

• 安裝uv

  pip install uv
  

• 安裝conda環境（python維護周期查詢）

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

3. 配置pytorch gpu環境

• 先去官網查詢安裝torch等庫的命令
  官網鏈接：https://pytorch.org/get-started/previous-versions/
• 使用在命令前加上uv再執行命令提高下載速度，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
  

• 安裝后，運行python，執行以下代碼驗證是否配置成功

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