一、CUDA版本的选择

深度学习环境配置的起点是cuda，在nv的gpu的条件下进行环境配置。Cuda是nv为深度学习等ai应用开发的工具包，torch等pc端框架都会通过cuda提供的api接口驱动gpu进行模型推理和训练。Cuda的版本将决定后续torch的版本，决定训练环境的兼容性，因此应该在保证兼容性的情况下尽量找旧一点的cuda版本

下面的内容参考：

https://zhuanlan.zhihu.com/p/1911413543057719808

首先了解一个事：每代的gpu都有不同的硬件架构，CUDA基于这些架构开发会上下兼容一定版本，越新的gpu能用的cuda版本越少。

每代gpu对应的计算能力和架构名称如下：

https://developer.nvidia.com/cuda-gpus

Cuda的GPU兼容性如下图，一般来说，新的gpu用不了老的cuda版本，老的gpu可以用很新的cuda版本。最新的cuda版本配套的开发环境容易出bug，一般选次新版本更好。

https://en.wikipedia.org/wiki/CUDA#GPUs_supported

https://blog.csdn.net/qq_49088955/article/details/146260130

比如说你是4090希望移植兼容性好一些，对应计算能力8.9属于ada架构，找到ada所在列可以用的最小cuda版本11.8那一项，向左看支持的最小计算能力为5.0，对应980这一代。可以看见50系卡仅兼容12.8，cuda11也能兼容到10系显卡。考虑到torch等框架的兼容性问题，这里尽量挑旧一点的cuda版本。这里以5080设备举例子，选择cuda 12.8

二、Python开发环境的确定

2.1 Python开发环境的基本组件

Vscode+python+anconda+cuda+cudnn+torch+pip的基础python开发环境，这里简单介绍下：

l Vscode 是编辑器，用来写代码。打上python的扩展后可以内部一键编译python代码；

l pip是python的各种库的安装器，Python很多的函数功能都需要额外的库实现，需要的库可以通过pip 安装；

l Anconda用来隔离不同的python版本和库的，python有很多版本python的各种库在不同的python版本下实现不同，因此需要互相隔离。

l cuda 是 gpu的api，这里的api偏基础。

l cudnn 是调用cuda api基础算子，如卷积什么的，相当于cuda的高级扩展库。

l torch 属于python的库，负责调用 cuda和cudnn实现模型推理和训练。

这里根据cuda版本，反向确定开发环境中各组件的版本，其中Vscode+anconda+pip是软件平台用最新就行，下面来确定python+cuda+cudnn+torch的版本。

首先是python和torch版本，已知要用cuda12.8，去找torch-gpu支持的版本。在下面的链接中搜索128，结果如图，支持的最低版本是cp39，也就是python3.9，这里选个居中的py310版本。https://download.pytorch.org/whl/torch/