1. 环境准备从显卡驱动到CUDA工具包在开始PyTorch-GPU环境搭建之前我们需要确保硬件和基础软件环境就绪。GTX 1050 Ti虽然是入门级显卡但完全支持CUDA加速。我实测过三台不同品牌的1050 Ti设备发现最大的坑往往出在驱动版本上。首先右键桌面空白处选择NVIDIA控制面板点击左下角系统信息。在显示标签页会看到你的显卡型号重点检查驱动程序版本。以我的华硕GTX 1050 Ti为例驱动版本511.23可以完美兼容CUDA 11.6。如果版本过旧建议到NVIDIA官网下载最新Game Ready驱动而不是Studio驱动因为前者对消费级显卡的兼容性更好。注意安装驱动时一定要选择自定义安装并勾选执行清洁安装这样可以避免旧驱动残留导致的问题。我曾在联想拯救者笔记本上因为没做这步导致CUDA检测不到显卡。接下来验证CUDA支持情况。打开CMD输入nvidia-smi这个命令会显示显卡的CUDA兼容版本。比如输出CUDA Version: 11.6表示最高支持11.6的CUDA工具包。但实际安装时建议选择比显示版本低一代的CUDA比如这里可以装11.3稳定性更有保障。我的微星GTX 1050 Ti实测CUDA 11.3到11.6都能正常工作。2. CUDA与cuDNN的精准匹配2.1 CUDA工具包安装到NVIDIA官网下载CUDA时会发现GTX 1050 Ti在官方支持列表里查不到。别慌这是正常现象。帕斯卡架构的显卡其实都支持CUDA只是老黄没更新文档而已。我推荐使用CUDA 11.3版本这是经过多个项目验证最稳定的选择。下载时注意选择操作系统Windows 10架构x86_64版本11.3.0安装类型exe(local)安装过程中有三个关键点自定义安装时取消勾选Visual Studio Integration除非你确实需要安装路径不要有中文或空格我习惯用C:\CUDA\v11.3安装完成后一定要重启电脑2.2 cuDNN配置技巧cuDNN的版本必须严格匹配CUDA。对于CUDA 11.3应该选择cuDNN 8.2.1。下载需要注册NVIDIA开发者账号这个过程确实麻烦但有个小技巧用谷歌账号直接关联登录比邮箱注册快得多。解压后的文件结构应该是这样的cuda/ ├── bin/ ├── include/ └── lib/把这些文件夹里的内容复制到CUDA安装目录对应文件夹中不是覆盖文件夹而是合并内容。我遇到过有人直接覆盖导致CUDA无法使用的案例。验证安装是否成功nvcc -V如果显示release 11.3之类的版本信息说明配置正确。再运行bandwidthTest.exe这个测试程序会检查GPU通信带宽正常应该显示Result PASS。3. Python环境配置3.1 Conda虚拟环境推荐使用Miniconda而不是Anaconda因为更轻量。安装时注意勾选Add to PATH安装路径建议选C:\Miniconda3安装完成后重启CMD创建专用环境conda create -n pytorch_gpu python3.8这里选择Python 3.8是因为它和PyTorch各版本的兼容性最好。激活环境后先安装几个必备包conda install numpy matplotlib ipython3.2 PyTorch安装优化到PyTorch官网生成安装命令时选择PyTorch版本1.12.1最稳定CUDA版本11.3不要直接使用官网给的conda命令改成国内镜像源安装pip install torch1.12.1cu113 torchvision0.13.1cu113 torchaudio0.12.1 -f https://download.pytorch.org/whl/torch_stable.html如果下载慢可以换成清华源pip install torch1.12.1cu113 torchvision0.13.1cu113 torchaudio0.12.1 -i https://pypi.tuna.tsinghua.edu.cn/simple4. 验证与排错4.1 基础测试在Python环境中运行import torch print(torch.__version__) # 应该显示1.12.1cu113 print(torch.cuda.is_available()) # 应该返回True x torch.randn(3,3).cuda() # 创建张量并转移到GPU print(x.device) # 应该显示cuda:04.2 常见问题解决如果遇到CUDA initialization错误按这个顺序排查检查nvidia-smi能否正常显示确认环境变量PATH包含CUDA的bin路径尝试降低PyTorch版本到1.10.0重装显卡驱动使用DDU工具彻底卸载内存不足是另一个常见问题。GTX 1050 Ti只有4GB显存建议在代码开头添加torch.cuda.empty_cache()训练时设置合理的batch size一般不超过32。5. 开发环境优化5.1 VS Code配置安装Python扩展后在settings.json中添加{ python.pythonPath: C:\\Miniconda3\\envs\\pytorch_gpu\\python.exe, python.linting.enabled: true }这样可以直接在VS Code中使用配置好的环境。5.2 Jupyter Notebook支持在虚拟环境中安装conda install jupyter notebook启动时用这个命令避免内核错误python -m ipykernel install --user --namepytorch_gpu6. 实际项目测试用MNIST数据集做个快速验证import torch import torchvision device torch.device(cuda if torch.cuda.is_available() else cpu) transform torchvision.transforms.Compose([ torchvision.transforms.ToTensor(), torchvision.transforms.Normalize((0.5,), (0.5,)) ]) trainset torchvision.datasets.MNIST(root./data, trainTrue, downloadTrue, transformtransform) trainloader torch.utils.data.DataLoader(trainset, batch_size32, shuffleTrue) model torch.nn.Sequential( torch.nn.Linear(784, 128), torch.nn.ReLU(), torch.nn.Linear(128, 10) ).to(device) criterion torch.nn.CrossEntropyLoss() optimizer torch.optim.Adam(model.parameters()) for epoch in range(5): for images, labels in trainloader: images, labels images.view(-1, 784).to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() print(fEpoch {epoch1} completed)这个简单网络在GTX 1050 Ti上每个epoch大约需要20秒相比CPU提速约8倍。如果遇到内存不足把batch_size降到16即可。