在Ubuntu下安装PyTorch并利用GPU进行加速计算是深度学习开发中的常见需求。以下是关于在Ubuntu下安装PyTorch及其GPU支持情况的详细说明：
首先，需要在Ubuntu上安装NVIDIA显卡驱动。可以通过以下命令安装：
sudo apt update
sudo apt install nvidia-driver-版本号
例如，对于NVIDIA GeForce GTX 1050 Ti显卡，推荐的驱动版本是470。
安装CUDA是使用PyTorch GPU功能的关键步骤。CUDA的版本需要与PyTorch支持的版本相匹配。可以通过以下命令安装CUDA：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2004-11-8-local_11.8.0-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2004-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda
接下来，需要安装与CUDA版本相匹配的cuDNN库：
sudo apt install libcudnn8
最后，使用conda或pip安装PyTorch的GPU版本。可以通过以下命令安装：
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch
或者使用pip：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
安装完成后，可以通过以下Python代码验证PyTorch是否能够使用GPU：
import torch
print(torch.__version__)
print(torch.cuda.is_available())
如果torch.cuda.is_available()返回True，则表示PyTorch已经成功配置并可以使用GPU。
请注意，具体的安装步骤和版本可能会随着软件和驱动的更新而变化，建议在安装前查阅最新的官方文档或教程，以确保兼容性和稳定性。