从零到一：GTX 960M笔记本搭建PyTorch-GPU开发环境全记录

1. 硬件兼容性检查：你的GTX 960M还能战吗？

很多朋友拿到老旧笔记本的第一反应是"这玩意儿还能跑深度学习？"。我当初用GTX 960M时也这么想，但实测下来发现完全够用。先别急着安装，咱们得做好三件事：

首先打开设备管理器，找到"显示适配器"展开。如果你看到"NVIDIA GeForce GTX 960M"就成功了一半。我遇到过驱动异常的情况，这时候需要右键选择"更新驱动程序"，让系统自动检测最新驱动。不过要注意，最新驱动不一定最适合我们，后面会讲到版本匹配的玄机。

更专业的方法是打开NVIDIA控制面板（桌面右键菜单就有），点击左下角的"系统信息"。在"组件"选项卡里，你会看到"NVCUDA.DLL"后面跟着的CUDA版本号。我的机器显示是8.0.0，这意味着最高可以安装CUDA 9.x版本。有个冷知识：NVIDIA驱动是向下兼容的，所以新版驱动可以支持旧版CUDA，但反过来不行。

显卡算力也是个关键指标。GTX 960M属于Maxwell架构，计算能力是5.0。这个数值决定了它能跑哪些深度学习操作。我整理了个实用对照表：

最后别忘了检查显存。在任务管理器性能标签页能看到显存大小，GTX 960M一般是4GB。虽然比不上新卡，但跑MNIST分类或者简单CNN模型完全够用。我试过在这样配置下训练ResNet-18，batch size设32照样跑得动。

2. CUDA与cuDNN的版本华尔兹

版本匹配是个技术活，我在这上面栽过跟头。CUDA 9.0+cuDNN 7.1是经过实测最稳定的组合，但安装过程有讲究。

先从官网下载CUDA 9.0 Toolkit。注意要选local版本（大约2GB），因为网络安装版经常抽风。下载时记得勾选"Driver components"，这样会自动安装匹配的显卡驱动。安装时建议选自定义模式，把Visual Studio Integration的勾去掉——这个组件最容易出问题。

我遇到个典型错误：安装进度到90%突然回滚。这时候别慌，按这个步骤来：

1. 打开服务管理器（win+R输入services.msc）
2. 停掉所有NVIDIA开头的服务
3. 删除C:\Program Files\NVIDIA Corporation下的所有文件
4. 重新运行安装程序

cuDNN的安装更讲究。下载cuDNN 7.1需要注册NVIDIA开发者账号（免费），解压后会得到三个文件夹：bin、include、lib。这些文件需要手动复制到CUDA安装目录，具体路径是：

• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64

这里有个隐藏坑点：复制文件时一定要选"替换"，但Windows可能提示权限不足。我的解决办法是先用管理员身份打开命令提示符，执行：

takeown /f "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\*" /r /d y icacls "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\*" /grant administrators:F /t

3. PyTorch的离线安装妙招

官方conda安装命令经常卡住，我推荐离线安装法。先创建虚拟环境：

conda create -n pytorch_gpu python=3.7.3 conda activate pytorch_gpu

关键来了：去清华镜像站下载这两个文件：

• pytorch-1.1.0-py3.7_cuda90_cudnn7_1.tar.bz2
• torchvision-0.3.0-py37_cu90_1.tar.bz2

下载完成后，在文件所在目录打开命令行，执行：

conda install --offline pytorch-1.1.0-py3.7_cuda90_cudnn7_1.tar.bz2 conda install --offline torchvision-0.3.0-py37_cu90_1.tar.bz2

但这样还没完，需要补装依赖项。执行这个魔改版命令（注意去掉-c pytorch）：

conda install pytorch torchvision cudatoolkit=9.0

验证安装是否成功有个小技巧：先启动python交互环境，然后依次执行：

import torch print(torch.__version__) # 应该输出1.1.0 print(torch.cuda.is_available()) # 必须返回True print(torch.zeros(1).cuda()) # 应该显示tensor([0.], device='cuda:0')

4. PyCharm环境配置的隐藏技巧

在PyCharm里配置虚拟环境时，很多人找不到conda环境路径。其实默认位置在： C:\Users\你的用户名.conda\envs\pytorch_gpu

有个更聪明的方法：在PyCharm的Terminal里输入：

conda env list

复制显示出来的路径即可。

我推荐设置两个实用功能：

1. 在Settings -> Tools -> Terminal里，把Shell path改成cmd.exe /K conda activate pytorch_gpu
2. 在Run/Debug Configurations里，添加Environment variables：
   • Name: CUDA_VISIBLE_DEVICES
   • Value: 0

这样每次打开终端都会自动激活环境，而且可以明确指定使用GPU。

最后测试时，建议运行这个简单CNN代码：

import torch import torch.nn as nn class TestNet(nn.Module): def __init__(self): super().__init__() self.conv = nn.Conv2d(3, 16, kernel_size=3) def forward(self, x): return self.conv(x) net = TestNet().cuda() fake_data = torch.randn(1, 3, 32, 32).cuda() output = net(fake_data) print(output.shape) # 应该输出torch.Size([1, 16, 30, 30])

如果看到GPU内存占用上升，说明环境完全配置成功了。这套配置虽然用的都是旧版本，但在GTX 960M上实测训练效率比CPU快8-10倍。