参考文章：
一、需要准备的材料
1、驱动
https://www.nvidia.cn/Download/index.aspx?lang=cn
当前可用516.59
驱动版本与N卡版本是一对多的关系，官网下载一般只给出一个版本，但是实际上可以使用其他版本的驱动。
2、cuda toolkit
https://developer.nvidia.com/cuda-downloads
当前可用CUDA 11.7 GA，但是下载了老版本11.6 Update2。
老版本cuda-toolkit-archive
如果最新驱动版本没有对应的pytorch，可以下载老版本。
驱动版本与cuda toolkit的对照表：（一对多）
Table 3. CUDA Toolkit and Corresponding Driver Versions
3、cudnn
https://developer.nvidia.com/rdp/cudnn-archive
目前是Download cuDNN v8.4.0 (April 1st, 2022), for CUDA 11.x
cuda toolkit版本与cudnn也是一对多的关系，链接中有相应的说明
4、pytorch
环境
pip debug --verbose
此处主要查看支持的版本，如cp38-cp38-win_amd64
下载地址
https://download.pytorch.org/whl/cu116/torch_stable.html
其中cu116可以修改为cu90等。
版本对照表（一种驱动对应多个pytorch版本）：
老版本previous-versions
新版本
** 建议使用conda新建env安装**
使用该命令让jupyter识别新env
python -m ipykernel install --name
conda install pip
pip install XX
二、验证
import torch
print(torch.cuda.is_available())
# cuda是否可用；
print(torch.cuda.device_count())
# 返回gpu数量；
print(torch.cuda.get_device_name(0))
# 返回gpu名字，设备索引默认从0开始；
print(torch.cuda.current_device())
# 返回当前设备索引；
其他
由于pytorch的gpu版本严重依赖于cuda，导致有一些新包/库总是不兼容老版本的。所以能cuda高一点的话，pytorch也能高一点，就不会出现太多不兼容的bug。
版本相关
一定要提前确保版本之间的依赖关系正确，再进行下载安装，否则会浪费很多时间。
