使用Windows编译torchvision（C++版本）
版本对应：
libtorch: 2.9.0
vision: 0.24
python: >=3.10, <=3.14
所需资源：
python环境
vs2022
cuda-toolkit
vcpkg(这里使用vcpkg安装)
pybind11
python环境安装：
python环境需要按照libtorch支持的版本安装。
cuda环境
首先需要有nvidia显卡驱动，没有的话，可以根据该链接获取显卡驱动。
笔记本选择Notebooks。填完所有信息之后，选择开始搜索。
下载安装这个就可以，安装过程中，按照提示，选择自定义安装。
安装cuda驱动：
下载地址，这儿可以获取到最新版本
历史版本获取方式，先点击CUDA EULA
进入之后选择Archive
在这里可以获取到所有的历史版本信息
cudnn安装
cudnn地址链接，从9.0开始将支持的cuda版本合到了一起，可以在安装之后选择需要的版本，不过具体安装包包含的版本如何知晓我就不是很清楚了。
下面可以看到，9.0.0版本包含cuda11.8和12.3
cuda9.15.0包含cuda12.9和13.0
cudnn安装之后可以直接把include,bin, lib文件移动到cuda的文件夹下面。
libtorch获取
libtorch获取链接，这里可以获取最新版本的Libtorch，
如果想要找历史版本，只需要按照libtorch版本和cuda版本进行对应修改即可。例如：下面的是cuda12.6和libtorch2.9.1
https://download.pytorch.org/libtorch/cu126/libtorch-win-shared-with-deps-2.9.1%2Bcu126.zip如果想要cuda12.8和libtorch2.7.1的历史版本，修改对应位置，可以得到
https://download.pytorch.org/libtorch/cu128/libtorch-win-shared-with-deps-2.7.1%2Bcu128.zip注意：下面三个位置都需要修改。
VS2022安装
vs2022下载地址，选择社区版本下载，具体安装教程可参考：Visual Studio 2022(VS2022)最新版安装指南（保姆级教程）
vision获取
vision下载，先查看版本对应关系
选择自己所需的版本
点击下载Zip
安装vcpkg,使用管理员权限（也可使用conda替换vcpkg）
vcpkg下载地址，下载zip
pybind11安装：
git clone https://github.com/pybind/pybind11.git cd pybind11 mkdir build cd build cmake -DPYBIND11_TEST=OFF -DCMAKE_INSTALL_PREFIX="D:\Shadowless\pybind11" .. cmake --build . --config Release --target install准备好所有环境之后，将他们都存储到可以轻松找到的路径下。
编译前准备工作：找到vcpkg，安装必要包
PS C:\Users\Administrator> d: PS D:\> cd D:\Shadowless\vcpkg PS D:\Shadowless\vcpkg> .\vcpkg install libpng libjpeg-turbo libwebp libavif ffmpeg giflib --triplet x64-windows新建torchvision路径用来存储编译好的文件。
编译torchvision,支持50系列显卡
在vision的build目录下执行下面命令
cmake -DCMAKE_TOOLCHAIN_FILE="D:/Shadowless/vcpkg/scripts/buildsystems/vcpkg.cmake" \ -DCMAKE_PREFIX_PATH="D:\Shadowless\libtorch;D:\Shadowless\pybind11" \ -DCMAKE_INSTALL_PREFIX="D:\Shadowless\torchvision" \ -DCMAKE_BUILD_TYPE=Release \ -DWITH_CUDA=ON \ -DCMAKE_CUDA_ARCHITECTURES="75;86;89;120" \ -DTORCH_CUDA_ARCH_LIST="7.5;8.6;8.9;12.0" \ ..以下界面表示成功。
-- Generating done -- Build files have been written to: [你的构建目录]最后，需要在vs2022下对新生成的build下的目录进行编译，使用release模式，进行生成。可以在torchvision文件夹中得到编译成功的文件。
