异常教程

PyTorch 安装（长文解析）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

截止目前， 星球 内专栏累计输出 90w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 3100+ 小伙伴加入学习 ，欢迎点击围观

在深度学习和人工智能领域，PyTorch 是一款备受开发者青睐的框架，它以简洁的 API 设计和灵活的动态计算图特性，成为科研与工业界的重要工具。然而，对于编程初学者而言，PyTorch 的安装过程可能显得复杂且充满不确定性。本文将从零开始，逐步解析 PyTorch 安装的全流程，涵盖环境准备、安装步骤、版本选择、常见问题解决等内容，帮助读者以清晰的思路完成这一过程。

安装前的准备

在安装 PyTorch 之前，需要确保系统满足以下基础条件：

1. Python 环境

PyTorch 支持 Python 3.8 到 3.12 版本（不同版本的 PyTorch 可能有细微差异）。建议使用最新稳定版 Python，可通过以下命令验证版本：

python --version

如果未安装 Python，可前往官网下载：Python 官方下载页面 。

2. 虚拟环境

为避免全局环境被污染，建议使用 虚拟环境。虚拟环境可以看作一个“独立工作间”，隔离不同项目的依赖。常用的虚拟环境工具包括：

  • venv（Python 内置）
  • conda（Anaconda 或 Miniconda 分发版提供）

示例：使用 conda 创建虚拟环境

conda create -n pytorch_env python=3.10  
conda activate pytorch_env

安装步骤详解

PyTorch 安装的核心是选择合适的配置。PyTorch 官方提供了一个交互式安装页面（PyTorch 安装指南 ），根据操作系统、包管理器（如 pip 或 conda）、计算设备（CPU/GPU）等条件生成安装命令。以下是分场景的详细步骤：

1. 根据需求选择配置

访问 PyTorch 官网的安装页面，按以下流程操作：

  1. 操作系统：选择 Windows、macOS 或 Linux。
  2. 包管理器：通常选择 pip（适合独立项目）或 conda（适合复杂环境管理）。
  3. 计算设备：若需 GPU 加速，选择 CUDA 版本（需已安装 NVIDIA 驱动）。

例如，选择 Windows + pip + CPU 的组合，会生成类似以下命令：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

2. 安装命令执行

根据生成的命令在终端中运行即可。以下是常见场景的示例：

场景 1：CPU 版本安装（Windows）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

场景 2：GPU 版本安装（Linux + CUDA 12.1）

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

场景 3：使用 Conda 安装（macOS）

conda install pytorch torchvision torchaudio -c pytorch

3. 验证安装

安装完成后，可通过以下代码验证是否成功：

import torch  
print(torch.__version__)  
print("CUDA 可用性：", torch.cuda.is_available())

若输出版本号且 is_available() 返回 True（若安装了 GPU 版本），则安装成功。

高级配置与注意事项

1. 版本选择与兼容性

PyTorch 版本需与 CUDA 版本、Python 版本严格匹配。例如：

  • CUDA 12.1 对应 PyTorch 2.1+
  • Python 3.8 可能不支持最新版 PyTorch

比喻：这就像给手机安装系统补丁，版本不匹配可能导致“系统崩溃”。

2. GPU 驱动与 CUDA 工具包

若需 GPU 加速，需预先安装：

  • NVIDIA 驱动：确保驱动版本与 CUDA 兼容。
  • CUDA 工具包：通过官网下载对应版本（如 CUDA 12.1）。

示例：检查 CUDA 版本

nvcc --version

3. 安装依赖库

PyTorch 依赖一些系统库，例如：

  • Linux：libgl1（用于 GPU 渲染）
  • macOS：Xcode 命令行工具

安装示例（Ubuntu）

sudo apt-get update  
sudo apt-get install libgl1

常见问题与解决方案

问题 1：安装时出现依赖冲突

现象：终端提示 ERROR: Could not find a version that satisfies the requirement ...。
原因：Python 环境中已有冲突的包，或 pip 源不稳定。
解决方法：

  1. 清理缓存：pip cache purge
  2. 指定国内镜像源（如清华源）： 
    pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

问题 2：CUDA 版本不匹配

现象：运行代码时报错 CUDA driver version is insufficient。
解决方法：

  1. 更新 NVIDIA 驱动至最新版本。
  2. 重新选择与 CUDA 版本匹配的 PyTorch 版本（通过官网安装页面）。

问题 3：虚拟环境未激活

现象：安装完成后，import torch 仍报错 ModuleNotFoundError。
解决方法：确认虚拟环境已激活，或在全局环境中安装（不推荐）。

实战案例：从零搭建 PyTorch 开发环境

案例背景

假设你是一位 Windows 用户，希望使用 GPU 加速 PyTorch 进行图像分类项目开发。

步骤 1：安装 NVIDIA 驱动和 CUDA

  1. 下载并安装 NVIDIA 官方驱动 。
  2. 根据 PyTorch 官网推荐，选择 CUDA 12.1 版本，下载并安装 CUDA Toolkit 。

步骤 2：创建虚拟环境并安装 PyTorch

conda create -n pytorch_gpu python=3.10  
conda activate pytorch_gpu  
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

步骤 3：验证环境

运行以下代码测试 GPU 是否可用：

import torch  
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
print("当前设备：", device)

若输出 cuda:0，则配置成功。

结论

PyTorch 安装虽看似繁琐，但通过系统化的步骤和对关键配置的理解，开发者可以轻松完成这一过程。本文通过分场景讲解、代码示例和常见问题解决，帮助读者建立清晰的安装流程。安装完成后，读者可进一步探索 PyTorch 的核心功能，例如张量操作、神经网络构建等，逐步深入深度学习领域。

最后提醒：定期检查 PyTorch 版本更新，及时升级以获取性能优化和新功能支持。例如，通过以下命令更新到最新版本：

pip install --upgrade torch torchvision torchaudio

祝你在 PyTorch 的探索之旅中收获满满！

最新发布

查看更多文章