CUDA+pytorch+DGL安装

要想使用DGL需要基于后端，这里选择pytorch作为后端（其它的比如说有tensorflow）。要想使用PyTorch可以选择GPU和CPU两个版本，这里按照GPU来安装。 要想安装GPU版本的PyTorch需要安装CUDA。要想安装CUDA需要选择和显卡驱动兼容的版本。

CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算框架，只有安装这个框架我们的GPU才能够被调用来进行复杂的并行计算。 PyTorch 是位于最顶层的深度学习框架， GPU 是底层硬件，而硬件与深度学习框架之间 “ 语言不通 ” —— GPU不能直接识别 PyTorch 的代码和指令，它需要二进制代码指令。

所以在GPU与PyTorch之间，我们需要能够转换指令、传递数据的接口——CUDA和显卡驱动。CUDA 是上层应用程序的接口，它的职责就是将我们在PyTorch中编写好的程序信息（比如让GPU内部开多少个线程来算，怎么算之类的）整理出来，传递到底层硬件的接口，也就是显卡驱动那里。每当显卡驱动收到 CUDA 发来的指令后，它对CUDA程序进行编译，再将命令以及编译好的程序数据传送给 GPU，这样GPU就可以进行运算了。

所以在这个过程中，CUDA需要与PyTorch互通，也需要与显卡驱动互通，而显卡驱动需要与GPU互通，这种“互通”就是我们常常说到的“兼容”。如果不兼容，那PyTorch就无法顺利调 GPU。正因如此，许多 PyTorch的GPU版本安装教程中，都会让大家查询显卡对应的驱动版本，然后再根据显卡驱动版本配置相应版本的CUDA 。了解了 CUDA 、显卡驱动、显卡以及 PyTorch 的关系之后，我们可以来进行安装了。如果GPU是10代之后（GTX 10XX，RTX系列等），应该使用最新版本的CUDA。

【安装路线】：确保有硬件GPU——根据GPU型号安装兼容版本的GPU驱动——根据GPU驱动安装兼容版本的CUDA——根据CUDA安装兼容版本的pytorch/tensorflow

【实际上确定版本的路线应该是反着的】： 确定要使用的库包（tensorflow/pytorch）版本——根据库包版本确定能兼容的CUDA版本——根据CUDA版本确定能兼容的GPU驱动版本