tips：
1）注意pip命令安装与conda命令安装，torch对应的cuda版本可能不一样，具体见官网
2）cuda10.2，cuda11.3可以对应多个版本的torch，比较稳定。其中cuda10.2搭配cuDNN7.6.5最稳定可靠

1.查对应版本

（1）查版本 torch版本最高到1.8.0 最新，torch版本到1.10.1

pytorch与python对应版本

（2）最好用，可以不用自己查cuda对应的cudnn，pip安装和conda安装都会自动安装匹配合适的cudnn版本
Previous PyTorch Versions | PyTorch

（3）有用的清华源

添加清华镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
添加pytorch镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
for legacy win-64
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/peterjc123/
conda config --set show_channel_urls yes

2.匹配算力

（一般不用看这个，显卡算力太高才需要考虑这个问题）服务器A100显卡，需要GPU算力80，需要安装cuda11及其以上

3.创建虚拟环境

（1）conda create -n env_name python=3.8 #创建环境
 （2）conda install pytorch==1.7.0 cudatoolkit=11.0 -c pytorch #配置环境


可以指定需要安装的cudnn版本，如果不指定会自动安装匹配版本

发现conda命令安装不了新的包，可以改用pip，pip会自动安装cudnn

pip install torch==1.9.0+cu111  -f https://download.pytorch.org/whl/torch_stable.html

通过使用带有**+cu111**标记的PyTorch版本，会安装针对CUDA 11.1的PyTorch版本，该版本已经包括了与CUDA 11.1兼容的cuDNN。

对虚拟环境中安装cuda+pytorch的理解：

当您在创建虚拟环境时没有显式安装CUDA和cuDNN，并且您在该虚拟环境中运行需要GPU支持的深度学习任务时，PyTorch将尝试使用本地系统上的CUDA和cuDNN库（如果存在的话）。这是因为PyTorch会自动检测并使用本地的CUDA和cuDNN库，以便利用GPU加速。

这种行为是默认的，可以方便地利用系统上已安装的CUDA和cuDNN库来进行加速，同时允许多个虚拟环境共享同一套GPU资源。

但请注意，这也意味着如果系统上没有安装或配置好的CUDA和cuDNN库，或者版本不兼容，您的虚拟环境中的深度学习任务可能会失败。在这种情况下，您需要在虚拟环境中显式安装适当版本的CUDA和cuDNN库，以确保与PyTorch兼容并启用GPU支持。（根据不同项目所需的环境不同，一般会显式安装）