# CUDA 10.0
pip install torch==1.2.0 torchvision==0.4.0
# CUDA 9.2
pip install torch==1.2.0+cu92 torchvision==0.4.0+cu92 -f https://download.pytorch.org/whl/torch_stable.html
# CPU only
pip install torch==1.2.0+cpu torchvision==0.4.0+cpu -f https://download.pytorch.org/whl/torch_stable.html
可以使用pip下载。
我更常用的是用conda下载。但是如果用的channel是torch，经常会出现anaconda提示包找不到的情况。
这里的cudatoolkit的版本需要和本地的nvcc -V的版本（也就是cuda的版本）一致（第4步阐述如何调节nvcc -V的版本），否则训练时候会报错
2. 如果使用conda下载的话，需要更换国内的channel，输入以下命令：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
3. 输入conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=9.2 （去掉-c pytorch）。就可以安装cudatoolkit和torch了。这样下载的速度也很快。
4.配置nvcc -V的版本（也就是cuda的版本）
首先需要下载torch需要版本的cuda。具体方法可以百度。
接着讲述如何调节使用不同版本的cuda。
在窗口中输入想要的版本的cuda的安装的路径：
export CUDA_HOME=/mnt/lustre/share/cuda-9.2/
export PATH=$PATH:/mnt/lustre/share/cuda-9.2/bin/
export CUDA_HOME=/mnt/lustre/share/cuda-9.2/lib64
仅限于对此窗口有效，窗口关闭后就失效。而且这样仅仅会添加PATH，不会修改原来有的PATH。因此在我机器上这个方法依然不能改变nvcc -V的版本。
改变~/.bashrc
将原来的CUDA_HOME和PATH改为：
export CUDA_HOME=/mnt/lustre/share/cuda-9.2/
export PATH=$PATH:/mnt/lustre/share/cuda-9.2/bin/
export CUDA_HOME=/mnt/lustre/share/cuda-9.2/lib64
然后source ~/.bashrc。
然后重新登录，重新开一个tmux session。
想要查看修改之后的CUDA_HOME和PATH，可以使用export命令即可。还可以用nvcc -V查看cuda版本。
注意：如果使用tmux，建议新开一个session。要不然可能也会出现PATH没有删除仅仅增加的情况。
另外据引用的网页所说，torch.version.cuda输出的 cuda 的版本并不一定是 Pytorch 在实际系统上运行时使用的 cuda 版本，而是编译该 Pytorch release 版本时使用的 cuda 版本。
想要查看 Pytorch 实际使用的运行时的 cuda 目录，可以直接输出之前介绍的 cpp_extension.py 中的 CUDA_HOME 变量。
import torch
import torch.utils
import torch.utils.cpp_extension
torch.utils.cpp_extension.CUDA_HOME #输出 Pytorch 运行时使用的 cuda
