之前只在NVIDIA JETSON TX2上用过CUDA，由于本学期选了并行计算这门课，应该会用到一点CUDA；于此同时，最近又在研究pytorch，还没有试过在GPU上跑pytorch；并且我一查，自己的显卡是英伟达的且支持CUDA。所以就毅然决定去试一试。
查看自己的显卡是否支持CUDA
首先你要看自己的显卡是不是英伟达的，如果是AMD的就已经没戏了，后面的文章你就别看了。
确定是英伟达的显卡后，上这个网查一查自己的显卡是否支持CUDA：https://developer.nvidia.com/cuda-gpus
网站里也清楚地标注了不同型号的算力，我的显卡是Quadro K620，这是一款专业级显卡，画图建模很不错，但是用来打游戏就不咋地了（打游戏请用Geforce系列），算力5.0，算是刚刚及格吧。Jetson TX1的算力为5.3，TX2为6.2，最新的AGX Xavier算力为7.2，毕竟一分价钱一分货。
安装CUDA
上这个网址下载CUDA：https://developer.nvidia.com/cuda-downloads
选择自己操作系统的版本，Installer Type我选的是local，然后就是无脑装，所有的配件我都勾选了（默认），当然你也可以按需选取。安装过程中屏幕会有闪动，这是正常现象。
装好后，去CMD输入nvcc -V看一下版本号，我下的最新版为Cuda compilation tools, release 10.1, V10.1.243，如果显示找不到命令，去配一下环境变量 。
安装pytorch
上这个网址下载pytorch：https://pytorch.org，选择相应的版本，得到下载命令。
我的下载命令为：conda install pytorch torchvision cudatoolkit=10.0 -c pytorch
下载过程中可能会碰到各种anaconda给你报的奇奇怪怪的问题，更新这个，下载那个，照做就是了。
对比CPU和GPU的性能差距
装好后检验一下效果，用pytorch分别在CPU和GPU上做一个矩阵乘法，算一下用时：
import torch
import time
print(torch.__version__)
print(torch.cuda.is_available()) # 得返回true，否则你再看看上文哪儿出了问题
a = torch.randn(10000, 1000)
b = torch.randn(1000, 2000)
t0 = time.time()
c = torch.matmul(a, b)
t1 = time.time()
print(a.device, t1 - t0, c.norm(2))
device = torch.device('cuda')
a = a.to(device)
b = b.to(device)
t0 = time.time()
c = torch.matmul(a, b)
t2 = time.time()
print(a.device, t2 - t0, c.norm(2))
t0 = time.time()
c = torch.matmul(a, b)
t2 = time.time()
print(a.device, t2 - t0, c.norm(2))我的运行结果：
代码语言：javascript复制1.2.0
True
cpu 0.2418828010559082 tensor(141039.7031)
cuda:0 0.30884218215942383 tensor(141441.1094, device='cuda:0')
cuda:0 0.0069959163665771484 tensor(141441.1094, device='cuda:0')你会发现我在GPU上特地跑了两次，而且第一次时间甚至比CPU还久，那是因为第一次GPU需要做一些部署的工作，时间自然会长一些，第二次运行时间就明显比 CPU短很多了。
