关于jupyter notebook调用GPU

目录1、查看自己的驱动版本并下载对应的CUDA、CUDNN。2、官网下载CUDA、CUDNN3、把系统下的CUDA的bin目录写入当前环境的PATH在 Anaconda Prompt已激活的环境中执行4、下载PyTorch下载与cuda适配的PyTorch版本5、把GPU环境注册成独立内核6、返回jupyter notebook点击Kernel→Change Kernel→选择刚刚注册好的“Python (torchGPU)”1、查看自己的驱动版本并下载对应的CUDA、CUDNN。方法一桌面右键找到NVIDIA控制面板打开后点击系统信息方法二打开cmd输入nvidia-smi2、官网下载CUDA、CUDNN这是我下载的版本参考https://blog.csdn.net/qq_40647372/article/details/134940429?fromshareblogdetailsharetypeblogdetailsharerId134940429sharereferPCsharesourcem0_74265922sharefromfrom_link3、把系统下的CUDA的bin目录写入当前环境的PATH在 Anaconda Prompt已激活的环境中执行# 改成自己下载的版本 set CUDA_PATHC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5 set PATH%CUDA_PATH%\bin;%CUDA_PATH%\libnvvp;%PATH%执行完成后输入以下两条命令确认是否能被找到where cudart64_110.dll where cudnn64_8.dll4、下载PyTorch下载与cuda适配的PyTorch版本pip install torch1.11.0cu115 torchvision0.12.0cu115 torchaudio0.11.0 --extra-index-url https://download.pytorch.org/whl/cu1155、把GPU环境注册成独立内核conda activate pytorch-gpu # 你的 GPU 环境名 pip install ipykernel python -m ipykernel install --user --name pytorch-gpu --display-name Python (torchGPU)6、返回jupyter notebook点击Kernel→Change Kernel→选择刚刚注册好的“Python (torchGPU)”