PyTorch是一个非常流行的机器学习框架，它提供了GPU加速的深度学习算法实现，并且非常方便地支持了自动求导机制，因而备受欢迎。然而，如果想要完全地利用PyTorch的GPU加速特性，则需要安装CUDA。

CUDA是NVIDIA开发的一个并行计算平台和编程模型，专门面向NVIDIA的GPU架构。PyTorch使用CUDA进行加速是因为GPU比CPU处理数据的速度更快，而且PyTorch使用了高效的CUDA核心库。

为了安装PyTorch并且使用CUDA支持，我们需要先安装CUDA和cuDNN。

CUDA的安装非常简单，我们只需要在NVIDIA的官网上下载对应版本的CUDA安装包，并按照安装程序的提示进行安装即可。

cuDNN是NVIDIA的深度学习库，为了更好地发挥CUDA的性能，PyTorch也使用了cuDNN进行优化。我们同样可以在NVIDIA的官网上下载并安装cuDNN。

安装完CUDA和cuDNN之后，我们就可以安装PyTorch了。下面是一个使用CUDA支持的PyTorch代码示例：

import torch

# 检查CUDA是否可用
if torch.cuda.is_available():
    device = torch.device("cuda")  # 使用GPU加速
else:
    device = torch.device("cpu")   # 不使用GPU加速

# 创建一个张量
x = torch.tensor([2.0, 3.0], device=device)

# 将张量传递给GPU执行
y = torch.ones_like(x, device=device)
z = x + y

# 将结果从GPU传回CPU
result = z.to("cpu")
print(result)

在这个示例中，我们首先检查CUDA是否可用。若可用，则我们选择使用GPU进行计算，否则使用CPU进行计算。然后，我们在GPU上创建张量x，并在GPU上创建张量y。最后，我们将x和y相加，将结果存储在z中，z仍然在GPU上。最后，我们将z传回到CPU，并打印结果。

总之，在使用PyTorch进行深度学习的过程中，安装CUDA非常重要。只有安装了CUDA并在GPU