文章目录(一)安装cuda11.81）先确定cuda版本2)安装cuda11.8,因为torch2.0目前只支持cuda11.7和cuda11.83)安装cudnn4)验证(二)安装pytorch2.0(一)安装cuda11.81）先确定cuda版本nvcc-V为了不污染现有开发环境，创建新的conda环境，这里我选择Python3.11版本2)安装cuda11.8,因为torch2.0目前只支持cuda11.7和cuda11.8cuda下载链接：cuda去archve下找到11.8的版本直接安装，首先提取在temp目录安装好cuda后，会提示重启。重启完成后，安装成功。cuda安装好之后，会

分类目录：《深入浅出Pytorch函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.range·深入浅出Pytorch函数——torch.arange·深入浅出PaddlePaddle函数——paddle.arange语法torch.arange(start=0,end,step=1,*,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False)当dtype表示浮点类型时，为了避免浮点计算误差，建议给end加上一个极小值epsilon，使边界可以更加明确。返回值返回以步长step均匀分隔给

分类目录：《深入浅出Pytorch函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.constant·深入浅出Pytorch函数——torch.tensor·深入浅出Pytorch函数——torch.as_tensor·深入浅出Pytorch函数——torch.Tensor·深入浅出PaddlePaddle函数——paddle.to_tensortorch.Tensor是包含单一数据类型元素的多维矩阵。有几种主要的方法来创建张量，这取决于你的用途：要使用预先存在的数据创建张量，可使用torch.tensor()要创建具有特定大小的张量，请使用torch.*张量创建操作要创建与

分类目录：《深入浅出Pytorch函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.constant·深入浅出Pytorch函数——torch.tensor·深入浅出Pytorch函数——torch.as_tensor·深入浅出Pytorch函数——torch.Tensor·深入浅出PaddlePaddle函数——paddle.to_tensor基于data构建一个没有梯度历史的张量（叶张量）。语法torch.tensor(data,*,dtype=None,device=None,requires_grad=False,pin_memory=False)参数data：张量的

torch.tensor*torch.tensor当操作符是最最最自然的*.时，执行的时element-wise乘法，操作数会broadcast。更多细节请见Tensorunsqueeze以broadcasttorch.mm（就是执行矩阵乘法，1维不能作参数）就是执行矩阵乘法。torch.mm(input,mat2,*,out=None)→TensorPerformsamatrixmultiplicationofthematricesinputandmat2.Ifinputisa(n×\times×m)tensor,mat2isa(m×\times×p)tensor,outwillbea(n×

OpenNeuralNetworkExchange(ONNX，开放神经网络交换)格式，是一个用于表示深度学习模型的标准，可使模型在不同框架之间进行转移Torch所定义的模型为动态图，其前向传播是由类方法定义和实现的但是Python代码的效率是比较底下的，试想把动态图转化为静态图，模型的推理速度应当有所提升Torch框架中，torch.onnx.export可以将父类为nn.Module的模型导出到onnx文件中，最重要的有三个参数：model：父类为nn.Module的模型args：传入model的forward方法的变量列表，类型应为tuplef：onnx文件名称的字符串importtorc

torch.svd(input,some=True,compute_uv=True,*,out=None)->(Tensor,Tensor,Tensor)计算一个矩阵或一批矩阵input的奇异值分解。奇异值分解表示为namedtuple（U,S,V），使得input=UDIAG（S）Vᴴ，其中Vᴴ是的转置V为实数值的输入，或共轭转置V为复值输入。如果input是一批张量，则U、S和V也使用与input相同的批维度进行批处理。如果some为True（默认），则该方法返回简化的奇异值分解，即，如果input的最后两个维度是m和n，则返回的U和V矩阵将仅包含min(n,m)正交列。如果compute

分类目录：《深入浅出Pytorch函数》总目录相关文章：·深入浅出TensorFlow2函数——tf.constant·深入浅出Pytorch函数——torch.tensor·深入浅出Pytorch函数——torch.as_tensor·深入浅出Pytorch函数——torch.Tensor·深入浅出PaddlePaddle函数——paddle.to_tensor将数据转换为张量，共享数据并尽可能保留自动微分的历史。如果数据已经是具有所需的数据类型和指定设备的张量，则返回数据本身，但是如果数据是具有不同数据类型或设备类型的张量，则像使用data.to(dtype=dtype,device=de

 目录1.CUDA下载安装步骤2.Pytorch环境的配置笔者计算机视觉研0刚入学为研一。近期在学习目标检测算法中的YOLO系列。在运行YOLOV1训练代码时，报出该错误原因很简单：CUDA和Torch版本不兼容遇到这类问题先检查电脑的CUDA支持版本：  打开cmd，输入nvidia-smi可以看到红框里的是电脑支持的最高版本的cuda，我们在官网进行下载时，下载该版本及以下的即可（建议下载该版本以下）其次，检查自己的电脑中CUDA的版本（检查是否安装CUDA）：     打开cmd，输入nvcc--version可以看到我最开始的安装版本是11.7如果显示无法找到nvcc说明电脑中没有安装

先知道我们要做什么安装Anaconda配置Anaconda的环境变量 设置JupyterNotebookAnaconda虚拟环境 安装GPU版本的PyTorch库首先我们要先知道安装Anaconda时，python解释器就能够安装好，所以不需要单独去安装python解释器。python解释器：Python解释器的名称由Python与版本号组成，如Python3.9.0。解释器是向计算机解释Python语言的工具，只有下载解释器，计算机才能使用Python编程。因此，下载完Python3后就可以在命令提示符（cmd）中进行Python编程。目录一.先进行安装Anaconda1.1镜像源安装（速度