需要工具:
python、pycharm、cuda、cudnn、NVIDIA GPU
注：该方法直接安装在指定位置，不使用Anaconda，因为Anaconda安装库的时候会默认安装在C盘，而且修改也不方便，容易造成C盘爆满。
请注意，每个 PyTorch 版本都支持特定版本的 CUDA 和 cuDNN。您需要在安装 PyTorch 之前查看 PyTorch 版本的要求，以确保 CUDA 和 cuDNN 的版本与所需的版本匹配。
下面正式开始：
1、安装 NVIDIA 显卡驱动程序 --基本上不用管这个，自带
在 NVIDIA 官方网站上下载并安装适合您的显卡的最新驱动程序。这个基本上每个电脑出厂都会自带，或者当你使用各种驱动软件装驱动的时候，都会自动安装。
因为只有安装了驱动你的电脑硬件才可以正常运行，所以只要你的电脑不是刚刚重装了系统，而且是win7及以下的，一般都会有这个驱动。
2、安装 CUDA 工具包
需要根据您的显卡型号和操作系统版本选择适合的 CUDA 工具包版本，然后下载并安装。可以在 NVIDIA 的官方网站上下载适合的 CUDA 工具包。
ps: 查看适合的 CUDA 工具包----按照以下步骤进行
打开电脑的终端命令行工具，输入 【wmic path win32_VideoController get name 】，会列出所有的显卡型号。然后输入【nvidia-smi】查看对应显卡驱动程序的版本，然后根据自己的驱动程序版本选择对应的cuda版本。对应关系如下
根据cuda版本前往官方下载对应的工具包。【https://developer.nvidia.com/cuda-toolkit-archive】下载安装好之后，检查一下，输入【nvcc --version】，如果没有报错，就是安装成功了。如果计算机上没有安装 CUDA，那么将无法使用 "nvcc" 命令。
3、安装 cuDNN 库
在 NVIDIA 的官方网站上下载 cuDNN 库，并将其解压到 CUDA 目录中。根据刚刚安装好的cuda版本，去安装对应的cuDNN 版本库。https://developer.nvidia.com/rdp/cudnn-archive
对应关系进入官网就可以看到。直接选择自己CUDA 版本的cuDNN 即可。
4、打开自己的pycharm，新建一个虚拟环境。（或者使用之前创建的环境，但是建议使用新创建一个虚拟环境，方便管理。）位置可以自己定义，建议不要放在c盘，以免影响电脑性能。基础解释器选择自己下载的Python的位置。
如果下载了anaconda，也可以使用conda创建，注意修改一下创建项目的位置即可。
5、进入官网，找到对应的CUDA版本，点击下载。如果这里没有，那就点击下面的“Previous versions of Pytorch”,从里面找到小于等于电脑的CUDA 版本对应的Pytorch进行安装。然后进入该虚拟环境，在pycharm界面，选择终端窗口选项，在页面的最下角。输入刚刚复制的pip命令。即可开始安装。
6、验证
如果没有报错，且打印为Ture就是安装成功了。