写在前面
解决这个问题是集百家之长，综合了好几个方法才解决，有漏了写参考链接的，可以提醒我加上
基本情况
仅仅自己安装Pytorch时遇到的一个小坑
每次配环境都要浪费好长时间
这次最大的问题是使用官网给的方法安装始终显示超时
当然首先你得确定已经安装符合你电脑版本的CUDA和cudnn
我的是CUDA（11.1）也就是最新版本和对应的cudnn
相应版本对照关系可以在NVIDIA官网查到
接下来就是最坑的了
官网给的方式永远下载很慢而且超时
我的解决方法如下：
1、https://download.pytorch.org/whl/torch_stable.html
直接点击下载对应的 三个文件即：
torch 1.9.0 （cu111）
注意这是区分你安装的cpu还是gpu ！！
并且python版本要对应！！
仔细看别下载错了
torchvision 0.10.0 （cu111）
torchaudio 0.9.0
2.这是下载完毕后的文件
在终端 pip install … (文件名).whl
即可安装完毕
3.测试
import torch
print(torch.__version__)
print(torch.cuda.is_available())
如果version是 1.9.0+cu111 就是gpu
如果是1.90+cpu 就是cpu
安装时看到的一些比较有用的东西
感觉写的很好
这篇文章 面向Windows的Pytorch完整安装教程 安装方法可能有点问题，但一开始对CUDA和cudnn的讲解还是不错的
尤其这个解释
为什么装了cuda了还要再装cudnn？
为了解释上述两个问题，我们需要重新梳理一下我们使用Pytorch的最终目标是什么？毫无疑问，我们是用它来进行深度学习训练和推理，深度学习本质上就是训练深度卷积神经网络。尽管我们已经可以用cuda使得显卡来完成并行计算任务，但是所有的操作还是比较底层的、复杂的。是否在cuda之上有一个专门用于深度神经网络的SDK库来加速完成相关特定的深度学习操作，答案就是cudnn。
NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如caffe、tensorflow、pytorch、mxnet等。cudnn简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。
简单来说，cuda就是用来定义显卡并行运算的一些列底层GPU操作库，cudnn则是在cuda基础上专门正对深度学习定制的高级GPU操作库。
