在容器化环境中打包CUDA和PyTorch基础环境，可以将所有相关的软件依赖和配置封装在一个Docker镜像中。这种方法确保了在不同环境中运行应用程序时的一致性和可移植性： Docker：提供了容器化技术，通过将应用程序及其所有依赖打包在一个镜像中，确保不同环境下的运行一致性。 CUDA：NVIDIA的并行计算平台和编程模型，用于加速计算密集型应用程序，如深度学习。 PyTorch：流行的

pip install torch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 --index-url https://download.pytorch.org/whl/cu118

【cuda\cudnn安装教程】以cuda11.8为例 cuda11.8安装 安装的时候一切都是按默认安装就好，地址也是默认路径 cudnn安装 下载需要登陆，按要求注册就好 将cudnn压缩包中的内容复制到cuda的安装路径中，进行替换，如下图 验证cuda是否安装成功，打开cmd，输入nvcc - V nvcc -V 返

由于CUDA11.8安装包中已经有驱动包了，所以直接安装CUDA就可以连驱动一起安装了（省事）！ 一、在NVIDIA官网下载CUDA11.8 1、网址：CUDA Toolkit Archive | NVIDIA Developer 2、选择CUDA11.8 3、选择安装系统信息 4、这里Installer Type我们选择runfile(local)方式安装，此时会出现安装步骤：

清华源帮助链接：https://mirror.tuna.tsinghua.edu.cn/help/anaconda/ 下载链接：https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/ 其他深度学习环境相关博文：【stable-diffusion】4090显卡下dreambooth、lora、sd模型微调的GUI环境安装（cuda驱动、p

我原来一直以为在windows上安装了CUDA后就可以直接在WSL上使用了，但是后来发现总是出现很多的错误，其实需要在WSL再重新安装CUDA的 1、进入网址 CUDA Toolkit 11.8 Downloads | NVIDIA Developer 注意：这里要看你的nvidia的版本（nvidia-smi）决定你使用什么版本的CUDA， 和你的nvidia的版本（nvidia-smi）