相关章节

《Pytorch深度学习框架实战教程09：模型的保存和加载》

《Pytorch深度学习框架实战教程01：深度学习框架简介》

本文详细介绍了PyTorch CPU/GPU双版本的完整安装流程，从环境准备到部署验证，助你快速搭建高效深度学习开发环境。

一、环境准备：硬件与软件基础

1.1 硬件要求

• CPU版本：至少4核处理器，8GB内存（推荐16GB+）

• GPU版本：NVIDIA显卡（GTX 1060起步，推荐RTX 3060+），显存6GB+

• 存储空间：至少20GB可用空间（数据集和模型占用）

1.2 软件要求

• 操作系统：Windows 10/11，Ubuntu 18.04+，macOS 10.15+

• Python版本：3.8-3.11（PyTorch官方推荐）

• 包管理工具：pip或Anaconda/Miniconda

使用nvidia-smi命令检查GPU状态（仅限NVIDIA显卡）：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.86.05    Driver Version: 535.86.05    CUDA Version: 12.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce ...  On   | 00000000:01:00.0  On |                  N/A |
| 30%

  45C    P8    15W / 180W |    682MiB /  8192MiB |      1%      Default |

二、安装Python环境

2.1 安装Miniconda（推荐）

# Linux/macOS
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh# Windows
下载Miniconda3-latest-Windows-x86_64.exe并运行

2.2 创建虚拟环境

conda create -n pytorch_env python=3.10
conda activate pytorch_env

---

三、CPU版本安装（通用方案）

3.1 使用pip安装

pip install torch torchvision torchaudio

3.2 使用conda安装

conda install pytorch torchvision torchaudio cpuonly -c pytorch

---

四、GPU版本安装（NVIDIA专属）

4.1 驱动与CUDA安装

1. 安装NVIDIA驱动：

   • Ubuntu：sudo apt install nvidia-driver-535

   • Windows：下载GeForce Experience自动更新

2. 安装CUDA Toolkit：

   # CUDA 12.1安装命令 wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run sudo sh cuda_12.1.1_530.30.02_linux.run

3. 配置环境变量：

   # 添加到~/.bashrc export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

4.2 PyTorch GPU版安装

访问PyTorch官网获取最新命令：

# CUDA 12.1示例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4.3 cuDNN安装（可选加速）

1. 下载对应CUDA版本的cuDNN

2. 解压并复制文件：

tar -xzvf cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

---

五、安装验证与测试

5.1 基础功能测试

import torchprint(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU数量: {torch.cuda.device_count()}")
print(f"当前GPU: {torch.cuda.current_device()}")
print(f"设备名称: {torch.cuda.get_device_name(0)}")

5.2 性能基准测试

# 矩阵乘法性能测试
device = 'cuda' if torch.cuda.is_available() else 'cpu'x = torch.randn(10000, 10000).to(device)
y = torch.randn(10000, 10000).to(device)%timeit z = torch.matmul(x, y)  # 使用%timeit测量执行时间# 典型结果对比：
# CPU (i7-12700H): 2.3 s ± 45.6 ms per loop
# GPU (RTX 3060): 125 ms ± 1.24 ms per loop

---

六、Docker部署方案（生产环境推荐）

6.1 安装Docker

# Ubuntu sudo apt install docker.io sudo systemctl enable --now docker # Windows 下载Docker Desktop并安装

6.2 拉取PyTorch镜像

# 官方镜像（含CUDA支持） docker pull pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime # 运行容器 docker run -it --gpus all pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

---

七、常见问题解决方案

1. CUDA不可用问题：

   • 检查驱动版本：nvidia-smi

   • 验证CUDA安装：nvcc --version

   • 确保PyTorch CUDA版本匹配

2. 内存不足错误：

   # 减少批次大小 dataloader = DataLoader(dataset, batch_size=16, shuffle=True) # 使用混合精度训练 scaler = torch.cuda.amp.GradScaler()

3. 多GPU配置：

   # 数据并行
   model = nn.DataParallel(model)# 分布式训练
   torch.distributed.init_process_group(backend='nccl')

---

八、环境优化建议

1. 性能调优：

   # 设置OpenMP线程数 export OMP_NUM_THREADS=8

2. 虚拟环境管理：

   # 导出环境配置
   conda env export > environment.yml# 恢复环境
   conda env create -f environment.yml

   IDE配置建议：

   • VS Code安装Python和Pylance扩展

   • PyCharm专业版启用CUDA调试支持

---

结论：选择最佳方案

应用场景	推荐方案	优势
学习/轻量级任务	CPU版本	无需GPU，资源消耗低
模型训练	GPU版本+conda环境	最大化利用硬件加速
团队协作	Docker容器化部署	环境一致性高
生产部署	PyTorch TorchServe	专业模型服务框架