1 # 直接安装，建议在虚拟环境中执行
2 pip install torch torchvision torchaudio numpy pandas matplotlib scikit-learn gradio opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

 1 import torch
 2 import torchvision
 3 #输出PyTorch版本和是否支持CPU(入门只需要CPU)
 4 print("Pytorch版本：",torch.__version__)
 5 
 6 #是否支持通过 GPU（显卡）进行 CUDA 加速的张量运算、模型训练和推理:
 7 #仅用于检测NVIDIA 显卡的 CUDA 加速是否可用
 8 if torch.cuda.is_available():
 9     print("GPU可用！")
10     print("显卡名称：", torch.cuda.get_device_name(0))  # 查看第1块显卡名称（多显卡可改索引）
11     print("显卡显存：", torch.cuda.get_device_properties(0).total_memory / 1024**3, "GB")  # 显存大小
12     print("当前使用显卡索引：", torch.cuda.current_device())
13 else:
14     print("GPU不可用，使用CPU")
15 
16 # 创建一个测试张量并打印，无报错即正常
17 test_tensor = torch.tensor([1,2,3])
18 print("测试张量：", test_tensor)

额外建议（可选）

如果后续想提升训练速度（比如训练更大的模型 / 更多数据），可考虑配置 GPU 环境，前提是你的电脑有NVIDIA 独立显卡，步骤如下（当前阶段无需操作）：

1. 安装对应显卡的 CUDA Toolkit 和 cuDNN；
2. 卸载现有 CPU 版 PyTorch：pip uninstall torch torchvision torchaudio；
3. 安装 GPU 版 PyTorch（根据 CUDA 版本选择，参考PyTorch 官网）。