深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】

╰+攻爆jí腚メ 2024-04-28 07:43 78阅读 0赞

> ![9c8b4f4b69ea498a9afa70a01b081053.jpeg][]
> 
> 在宇宙的浩瀚中，我们是微不足道的，但我们的思维却可以触及无尽的边界。
> 
> --------------------

![54adb699c22545f18d065f4be5fe1d21.png][]

--------------------

**目录**

关于Anaconda：

关于Pycharm：

关于Pytorch：

关于CUDA：

关于Cudnn：

一、?前言：

二、?Anaconda安装

三、?Pycharm安装

四、?CUDA安装

1、查看NVDIA显卡型号

2、判断自己应该下载什么版本的cuda

3、安装CUDA11.2 CUDA toolkit Download

五、?Cudnn安装

1、cuDNN下载

2、Cudnn配置

3、添加环境变量

六、?Pytorch安装

1、pytorch安装（gpu版本和cpu版本的安装）

2、验证配置是否成功

?Summary

获取源码？私信？关注？点赞？收藏？WeChat?

--------------------

##  ##

## 关于Anaconda： ##

Anaconda是一个专门为Python数据科学而设计的一组软件包，它涵盖了数据科学领域常见的Python库，并且自带了专门用来解决软件环境依赖问题的conda包管理系统。Anaconda提供了一个完整的Python发行版，预装了conda、某个版本的Python、众多软件包、科学计算工具等等。

具体来说，Anaconda具有以下特点：

1.  包管理与环境管理：Anaconda利用conda来进行package和environment的管理，可以很方便地解决多版本Python并存、切换以及各种第三方包安装问题。
2.  包含多个科学包：Anaconda包含了180多个科学包及其依赖项，这些包涵盖了数据科学、机器学习、数据分析等多个领域。
3.  易于使用：Anaconda的安装和使用非常简单，用户可以通过简单的命令来安装和管理软件包和环境。
4.  社区支持：Anaconda拥有庞大的用户社区，用户可以轻松找到其他用户在使用过程中的问题并获得帮助。

总的来说，Anaconda是一个功能强大、易于使用的Python发行版，适用于进行数据科学、机器学习、数据分析等领域的研究和应用。

--------------------

## 关于Pycharm： ##

PyCharm是一种Python集成开发环境（IDE），由JetBrains公司打造。它为Python开发者提供了一套完整的工具，包括代码编辑器、调试器、测试工具、版本控制系统集成等等。

PyCharm具有以下优点：

1.  强大的代码编辑器：PyCharm提供了自动补全、语法高亮、代码折叠、代码片段等功能，这些功能可以大大提高开发效率。
2.  集成调试器：PyCharm内置了强大的调试器，可以对代码进行单步调试，查看变量值、函数调用栈等，方便开发者快速定位问题。
3.  丰富的插件支持：PyCharm支持多种插件，可以扩展其功能，如支持Django、Flask、Pyramid等Web框架的插件。
4.  版本控制系统集成：PyCharm支持多种版本控制系统，如Git、SVN等，可以方便地管理代码版本。
5.  优秀的性能：PyCharm在运行速度和内存占用方面都表现出色，可以带来更加快速和流畅的开发体验。

总的来说，PyCharm是一款功能强大的Python开发工具，可帮助Python开发者提高效率、保证代码质量、降低开发成本。

--------------------

## 关于Pytorch： ##

PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。PyTorch既可以看作加入了GPU支持的numpy，同时也可以看成一个拥有自动求导功能的强大的深度神经网络。

PyTorch具有以下特点：

1.  张量（Tensor）：PyTorch的核心组件是张量，它是一个多维数组，可以用于存储和处理数据。PyTorch的张量与NumPy的数组类似，但也提供了GPU加速和自动微分等功能。
2.  动态计算图（Dynamic Computational Graph）：PyTorch使用动态计算图，这意味着在运行时可以修改计算图，从而允许更灵活的模型构建和调试。这与TensorFlow等框架的静态计算图不同。
3.  自动微分（Automatic Differentiation）：PyTorch支持自动微分，可以方便地计算张量的梯度。这为构建和训练深度学习模型提供了便利。
4.  神经网络（Neural Networks）：PyTorch提供了构建和训练神经网络的工具，包括各种层、激活函数、损失函数等等。
5.  数据加载（Data Loading）：PyTorch提供了可扩展的数据加载工具，可以方便地加载各种类型的数据集。
6.  GPU加速（GPU Acceleration）：PyTorch可以利用GPU进行加速，这意味着它可以处理大规模的数据集和复杂的深度学习模型。
7.  工具集（Toolkits）：PyTorch提供了许多工具集，如torchvision用于图像处理、torchtext用于文本处理、ignite用于训练和评估模型等等。

总的来说，PyTorch是一个功能强大的Python机器学习库，适用于构建和训练各种深度学习模型。

--------------------

## 关于CUDA： ##

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。它是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。

CUDA的核心是一个C语言编译器，开发人员可以使用C语言来为CUDA架构编写程序，所编写出的程序可以在支持CUDA的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

CUDA体系结构的组成包括开发库、运行期环境和驱动。它是一个新的基础架构，这个架构可以使用GPU来解决商业、工业以及科学方面的复杂计算问题。它是一个完整的GPGPU解决方案，提供了硬件的直接访问接口，而不必像传统方式一样必须依赖图形API接口来实现GPU的访问。

目前只有G80平台的NVidia显卡才能使用CUDA，因此它非常适合进行并行计算，数值计算的速度远远优于CPU并行计算。

--------------------

## 关于Cudnn： ##

cuDNN（CUDA Deep Neural Network library）是由NVIDIA开发的一个深度学习GPU加速库。它专门为深度学习设计，为神经网络中的常见计算任务提供了高度优化的实现，包括前向卷积、反向卷积、注意力机制、矩阵乘法（matmul）、池化（pooling）和归一化（normalization）等。

cuDNN的主要功能和特点包括：

1.  高效运算：cuDNN经过精心设计和优化，可以在NVIDIA的GPU硬件上实现最佳性能。它利用了NVIDIA GPU的并行处理能力，从而大大加速了神经网络的训练和推断过程。
2.  与深度学习框架集成：多数主流的深度学习框架（如TensorFlow、PyTorch、Caffe等）都集成了cuDNN。这意味着当开发者使用这些框架并在NVIDIA GPU上运行时，他们会自动从cuDNN的高效运算中受益。
3.  优化深度学习任务：cuDNN为深度学习任务提供了高度优化的函数，如卷积操作、池化操作、激活函数、归一化等。这些操作在GPU上运行得非常快，大大减少了单次迭代的时间。

总的来说，cuDNN是一个为深度学习在NVIDIA GPU上提供高效运算的库，它使得深度学习框架可以在NVIDIA GPU上实现最佳性能。

--------------------

## 一、?前言： ##

> 本篇博客为 **深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】**

--------------------

> **一直走在路上?**

--------------------

## 二、?Anaconda安装 ##

> **1、官网下载Anaconda安装包**

![1d64941c782d4f1a84a679d608ea2409.png][]

> **2、下载完成，点击安装**

![e9e953431d7c44ed904c680958140c37.png][]

![cf51d4efde94417d9c574bf2e3e12f19.png][]

![fc56a8a42708443c8478d1a0dec16fae.png][]

![da9a98f9f3ac481a97cb8202160dbcff.png][]

![986df9e48e6a42a8b7ec12417e940798.png][]

![744e56ed11c34ab1bcaa254c5a7758d9.png][]

**上述内容安装完成后，已经默认将PATH环境变量配置完成，可点击：**

![d7a44c79b3374a83b4877c162c5ed332.png][]

> **3、打开anaconda**

>  **4、修改源**

anaconda安装完成之后请切换到国内的源来提高下载速度 ，命令如下：

conda config --remove-key channels
    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.bfsu.edu.cn/anaconda/cloud/pytorch/
    conda config --set show_channel_urls yes
    pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

首先创建python3.8的虚拟环境，请在命令行中执行下列操作：

conda create -n yolomask1218 python==3.8.5
    conda activate yolomask1218

--------------------

## 三、?Pycharm安装 ##

> **见以下文章：**

[关于 Pycharm专业版 安装教程，简单好用\_pycharm专业版安装教程-CSDN博客![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://blog.csdn.net/m0\_63244368/article/details/124081597][Pycharm_ _pycharm_-CSDN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_blog.csdn.net_m0_63244368_article_details_124081597]

**[关于 Pycharm专业版 安装教程，简单好用\_pycharm专业版安装教程-CSDN博客![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://blog.csdn.net/m0\_63244368/article/details/124087244][Pycharm_ _pycharm_-CSDN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_blog.csdn.net_m0_63244368_article_details_124087244]推荐学生使用学生邮箱注册，可使用一年，一年后可继续延续使用**

--------------------

## 四、?CUDA安装 ##

**需要使用NVDIA显卡**

###    **1、查看****NVDIA****显卡型号** ###

![148697ca34174298bc7ab85b3fe7a277.png][]

![a0f6a8b05c9d427b8ac8afb51044dfe5.png][]

--------------------

### 2、判断自己应该下载什么版本的cuda ###

**在终端输入：**

nvidia-smi

![f11d264ae7224456bc18472975b5db28.png][]

**由上图可知，我们需要CUDA版本是12.2及以下版本**(此处 版本向下兼容，即按照开发库一般不建议使用最新版本的原则，此处我们的显卡及驱动最高支持 CUDA12.2 ，但是我们仍然选择 11.2 版本来完成开发工作。)

![a9db086e9ca845e6b55454fda7ce8f57.png][]

### **3、安装CUDA11.2** CUDA toolkit Download ###

**需要CUDA11.2的可以通过百度网盘链接下载：**

**链接：https://pan.baidu.com/s/1ztSpsDfMB9L0FNs5EwTN9w?pwd=novo  
提取码：novo**

**我们可以在官网网站下载自己需要的CUDA版本**

[CUDA Toolkit Archive | NVIDIA Developer![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://developer.nvidia.com/cuda-toolkit-archive][CUDA Toolkit Archive _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_cuda-toolkit-archive]如下图所示：

--------------------

![a6f4f8ec351448f3a5022d9a3606bfa1.png][]

**点击cuda\_11.2.1\_461.09\_win10.exe ，根据步骤点击即可（自动配置环境变量）**

![751255a0c6744ed1ae11d2f4eac21189.png][]

![068fbbd9b1164754aa34578664cb0bbe.png][]

打开控制面板即可发现安装了一大堆配置和驱动文件。

**查看环境变量**

点击设置-->搜索高级系统设置-->查看环境变量

【如果没有需要自己添加】

![5b4c0cf7c1364df3af7b2f28473f4093.png][]

**安装完成后，在命令行输入，查看cuda版本以及安装位置**

验证CUDA是否安装成功：

WIN+R 键运行 cmd，输入 nvcc -V 即可查看版本号；

set cuda，可以查看 CUDA 设置的环境变量。

nvcc -V
    
    set cuda

![be8646c7a2b64f3ab95bb0f1d8570b27.png][]

**表明我们安装完成！！！**

此时，CUDA安装已经成功，但是在完成张量加速运算时还需要cuDNN的辅助，因此下面安装cuDNN。

--------------------

## 五、?Cudnn安装 ##

--------------------

### 1、cuDNN下载 ###

cuDNN地址如下，不过要注意的是，我们需要注册一个账号，才可以进入到下载界面。大家可以放心注册的。

[Log in | NVIDIA Developer![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://developer.nvidia.com/login][Log in _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_login]![cebcc0acce4a4912bdc8d954e0673f8d.png][]

使用下面网址，查看适配的 cuDNN

[cuDNN Archive | NVIDIA Developer![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://developer.nvidia.com/rdp/cudnn-archive][cuDNN Archive _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_rdp_cudnn-archive]![677e2fe149b24599ae5ec8f6236e36db.png][]

选择跟自己的cuda版本适配的cudnn版本，此处我安装的是CUDA11.2，因此我选取下面的版本：

![0a40241162564372955a1b58870100e5.png][]

--------------------

### 2、Cudnn配置 ###

cuDNN叫配置更为准确，我们先把下载的 cuDNN 解压缩，会得到下面的文件：

![37cba8e61e1f40f5ae6d4838e21fdf4f.png][]

下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。

CUDA 的安装路径在前面截图中有，或者打开电脑的环境变量查看，默认的安装路径如下：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

此处我们最好分别将文件夹内容复制到对应文件夹中

拷贝时看到，CUDA 的安装目录中，有和 cuDNN 解压缩后的同名文件夹，这里注意，不需要担心，直接复制即可。

**cuDNN 其实是 CUDA 的一个补丁，专为深度学习运算进行优化的。**

--------------------

### **3、添加环境变量** ###

添加至系统变量：

往系统环境变量中的 path 添加如下路径（根据自己的路径进行修改）

![b78dd983aff8450cba81fbade0accae8.png][]

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
    C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp

--------------------

## 六、?Pytorch安装 ##

### 1、pytorch安装（gpu版本和cpu版本的安装） ###

实际测试情况是YOLOv5在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发指，所以有条件的小伙伴一定要安装GPU版本的Pytorch，没有条件的小伙伴最好是租服务器来使用。

可以在Pytorch官网查看自己需要的安装版本：

[Previous PyTorch Versions | PyTorch![icon-default.png?t=N7T8][icon-default.png_t_N7T8]https://pytorch.org/get-started/previous-versions/][Previous PyTorch Versions _ PyTorch_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_pytorch.org_get-started_previous-versions]

![fefcb3d27cd642848e3f328809eb7b11.png][]

我这里创建的是python3.8的环境，安装的Pytorch的版本是1.8.0，命令如下：

conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2

或者使用清华镜像源等：

pip install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

--------------------

### 2、验证配置是否成功 ###

这个时候我还是喜欢直接使用代码验证，毕竟我们需要跑代码ε=ε=ε=(~￣▽￣)~

进入我们的Pycharm python环境，然后输入以下代码测试：

这段代码是使用PyTorch库来检查CUDA和cuDNN的相关信息。

# 导入PyTorch库，这是一个用于深度学习的开源库
    import torch
    
    # 打印可用的GPU设备数量
    print(torch.cuda.device_count())
    
    # 打印是否可以使用CUDA，即是否可以在GPU上运行计算
    print(torch.cuda.is_available())
    
    # 打印是否可以使用cuDNN，这是一个用于深度神经网络的库，它提供了优化的计算和内存访问模式
    print(torch.backends.cudnn.is_available)
    
    # 打印CUDA的版本号  
    print(torch.cuda_version)
    
    # 打印cuDNN的版本号
    print(torch.backends.cudnn.version())

这些信息可以帮助你了解你的系统是否可以运行使用CUDA和cuDNN优化的PyTorch代码，以及它们的版本信息。

![a2cd1dec7a7343c0a3bdbc531607b930.png][]

> **如上所示，则成功！！！**
> 
> **下面我们就可以开始跑代码了！！！**

--------------------

##  ##

## **?Summary** ##

##  ##

> 上述内容就是此次 **深度学习环境配置超详细教程【Anaconda+Pycharm+PyTorch(GPU版)+CUDA+cuDNN】** 的全部内容了，感谢大家的支持，相信在很多方面存在着不足乃至错误，希望可以得到大家的指正。?(ง •\_•)ง

> **文中 CUDA+Cudnn 安装包可通过以下链接获取 (或关注微信公众号获取相关链接) ：**
> 
> **链接：https://pan.baidu.com/s/1ztSpsDfMB9L0FNs5EwTN9w?pwd=novo  
> 提取码：novo**

> 调整自己。不忘来时路，努力前行，找到前进的方向。

> **2023年第四十六期，**希望得到大家的喜欢?

> 希望大家有好的意见或者建议，欢迎私信，一起加油

--------------------

**以上就是本篇文章的全部内容了**

**~ 关注我，点赞博文~ 每天带你涨知识!**

1.看到这里了就 \[点赞+好评+收藏\] 三连 支持下吧，你的「点赞，好评，收藏」是我创作的动力。

2.关注我 ~ 每天带你学习 :各种前端插件、3D炫酷效果、图片展示、文字效果、以及整站模板 、HTML模板 、C++、数据结构、Python程序设计、Java程序设计、爬虫等！ 「在这里有好多 开发者，一起探讨 前端 开发 知识，互相学习」！

3.以上内容技术相关问题可以相互学习，可 关 注 ↓公 Z 号 获取更多源码 !

## 获取源码？私信？关注？点赞？收藏？WeChat? ##

> ?+✏️+⭐️+?

有需要源码的小伙伴可以 关注下方微信公众号 **" Enovo开发工厂 " ，一起交流啊！！！**

**最近在学习图像识别，有没有大佬可以帮助一下/(ㄒoㄒ)/~~，或者互相学习！！！**

~~~///(^v^)\\\\\\~~~

[9c8b4f4b69ea498a9afa70a01b081053.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/717c67eca18c4653b19aa15da2326b51.jpeg
[54adb699c22545f18d065f4be5fe1d21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/ed102835759c40a3a28918ecacc68ebb.png
[1d64941c782d4f1a84a679d608ea2409.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/9edc578aa24c4ec98148619fc67912b8.png
[e9e953431d7c44ed904c680958140c37.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/e60fb2a488e94d3e8dc1681274fc3400.png
[cf51d4efde94417d9c574bf2e3e12f19.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/96c1b31b6edc47cf9f5a93af7d5639c1.png
[fc56a8a42708443c8478d1a0dec16fae.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/c2b257f6a709473ea6cc95cfd6820100.png
[da9a98f9f3ac481a97cb8202160dbcff.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/eb88842781b24bafa587ee543f01bb62.png
[986df9e48e6a42a8b7ec12417e940798.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/6fcae1180f864d27890549281a97d59b.png
[744e56ed11c34ab1bcaa254c5a7758d9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/4a4b6c0fd62e4585b134bad59c4e4b30.png
[d7a44c79b3374a83b4877c162c5ed332.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/2ae802ac98a74ee7ad00c8c710a0a17a.png
[icon-default.png_t_N7T8]: https://csdnimg.cn/release/blog_editor_html/release2.3.6/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=N7T8
[Pycharm_ _pycharm_-CSDN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_blog.csdn.net_m0_63244368_article_details_124081597]: https://blog.csdn.net/m0_63244368/article/details/124081597
[Pycharm_ _pycharm_-CSDN_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_blog.csdn.net_m0_63244368_article_details_124087244]: https://blog.csdn.net/m0_63244368/article/details/124087244
[148697ca34174298bc7ab85b3fe7a277.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/d7c81bd68d0d4e6eb849e13b1c228ff4.png
[a0f6a8b05c9d427b8ac8afb51044dfe5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/67ad8d48ab94463c851601c277e1bf34.png
[f11d264ae7224456bc18472975b5db28.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/e2198f1d067d41bebe7348596cbd8667.png
[a9db086e9ca845e6b55454fda7ce8f57.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/6e3b53737cad46569217450948078f85.png
[CUDA Toolkit Archive _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_cuda-toolkit-archive]: https://developer.nvidia.com/cuda-toolkit-archive
[a6f4f8ec351448f3a5022d9a3606bfa1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/ab7f952f036e4392a653e0f6053fca22.png
[751255a0c6744ed1ae11d2f4eac21189.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/d8fa180f8216492c846df0431bcca4f0.png
[068fbbd9b1164754aa34578664cb0bbe.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/3d7a108fd4564f919beb937a7e81db95.png
[5b4c0cf7c1364df3af7b2f28473f4093.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/d0a1af4a9d7a4b6797e3161ec01bcfaf.png
[be8646c7a2b64f3ab95bb0f1d8570b27.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/b473ebdfa2f448ed950044453ddd4a81.png
[Log in _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_login]: https://developer.nvidia.com/login
[cebcc0acce4a4912bdc8d954e0673f8d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/d6cc4dd0f13a4d7291211aefd31c01ed.png
[cuDNN Archive _ NVIDIA Developer_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_developer.nvidia.com_rdp_cudnn-archive]: https://developer.nvidia.com/rdp/cudnn-archive
[677e2fe149b24599ae5ec8f6236e36db.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/ee5fafa43d954ffa8c90147e7d04b758.png
[0a40241162564372955a1b58870100e5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/2bb3d811a8b247a4a99b85694d0eab84.png
[37cba8e61e1f40f5ae6d4838e21fdf4f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/031bded611654ab58568cbb12c85ebc2.png
[b78dd983aff8450cba81fbade0accae8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/31536c8cb04f4c09b45a3cd3f2f32f6a.png
[Previous PyTorch Versions _ PyTorch_icon-default.png_t_N7T8_icon-default.png_t_N7T8_https_pytorch.org_get-started_previous-versions]: https://pytorch.org/get-started/previous-versions/
[fefcb3d27cd642848e3f328809eb7b11.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/ffffe684bac34614813f828a4ec7a5c8.png
[a2cd1dec7a7343c0a3bdbc531607b930.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/28/6bbca160314a40b288f58ada488a59b9.png