序
因为我的电脑是在18年买的，比较旧（GTX1050），安装的Python版本又很新（3.8.8），接下来面临的主要问题就是版本兼容问题。对于安装方法，网上总结的很全了，这里总结一下重要的安装要点，也是新手容易困惑的地方。
误区1：CUDA安装版本上限
查找网上CUDA安装方法，很多文章都会通过“NAVIDA控制面板→帮助→系统信息→组件”查找到CUDA的版本，并且认定这是和系统兼容的版本（即：安装的版本上限）。我认为这是错误的。
我认为这是错误的原因：我的显卡是18年出的GTX1050，按照上述方法，我开始查到的CUDA版本号是9.1。后来通过试验发现：即使我安装了19年出的CUDA10.2，也是兼容的。因此我认为：按照上述方法给出的CUDA版本号并不是安装上限，而是你曾经安装过的CUDA版本号或者说你显卡推出年份的CUDA版本号。
如果安装高于这个的CUDA版本，是没有问题的。以我自己为例，至少GTX1050是可以安装10.2的。
我为什么特意强调了这一误区呢？这一误区导致我开始认为要么安装Python老版本，要么换一个新显卡，否则无法调用GPU环境了（悲)。因为我的Python版本很新，导致对Pytorch和CUDA的安装版本要求也比较新，老的CUDA无法和Pytorch、Python同时兼容。如果能够认识到这个误区，就可以根据自己需求下载这三个软件了，不用再担心“显卡过旧和CUDA不兼容”的问题。
方法1：最快查询CUDA、Pytorch、Python兼容版本的方法，少走很多弯路
即使电脑成功安装了CUDA和Pytorch，如果版本不兼容，也无法调用GPU环境。我自己就在这步花费了很多时间。
有文章通过Pytorch官网的pip命令安装Pytorch库。对于更快的方法，我直接上结论：通过pytorch下载界面的文件名来看（下载界面的链接https://download.pytorch.org/whl/torch_stable.html）
如上图，whl文件的文件名直接告诉了我们兼容的CUDA、pytorch和python版本号，选择合适的文件下载即可。
这样还有一个好处：如果通过官网的pip安装命令下载pytorch，可能需要梯子，且下载速度很慢，进而导致pytorch无法正常安装。如果通过浏览器先下载好whl文件，再安装，速度就很快。对于whl文件的安装方法，参考https://jingyan.baidu.com/article/08b6a5917ed44214a909225c.html
方法2：“NIVIDA安装程序失败”处理方法
（1）在安装CUDA之前，点开控制面板，卸载所有NIVIDA公司的产品，保留框里的两个。然后用360或者电脑管家清理卸载残留，清理注册表。
（2) 进入C:\Program Files，删除NIVIDA Corporation文件夹。如果提示文件正在运行，先用任务管理器中止NIVDA组件运行再删除，或者利用电脑管家的文件粉碎机强行删除。
（3）安装时，不要勾选“Visual Studio Integration”组件
（4）CUDA安装后，要进行环境变量配置和CUDNN的文件配置，推荐一篇博客：win10+CUDA安装及环境配置_Henry的博客-CSDN博客_cuda配置环境变量
方法3:其它问题的补充
（1）调用GPU环境的代码
import torch
tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
print(torch.cuda.is_available())#如果结果为True，说明GPU环境可以调用（2）GPU环境下，初次运行深度学习代码，可能出现虚拟内存不足的问题，需要为磁盘开辟虚拟内存
（3）"CUDA out of memory" 解决方法：调小图片尺寸、降低Batch_size、令num_workers=0、令pinmemory=0、或者买个显卡（玩笑