PyTorch 安装指南：从零开始轻松上手深度学习

开发配置

2024-11-23 19:26:06

PyTorch 是一个强大的开源深度学习框架，用于构建和训练神经网络。本文将介绍如何在不同环境下安装 PyTorch，并解决一些常见问题。

1. 安装前的准备工作

检查系统配置

在安装 PyTorch 之前，确认以下几点：

操作系统：支持 Linux、Windows 和 macOS。
Python 版本：推荐使用 Python 3.8 或更高版本。
GPU 支持（可选）：如果需要 GPU 加速，确保你的系统有 NVIDIA GPU，并安装了兼容版本的 CUDA 和 cuDNN。
- 检查 CUDA 版本：
```
nvcc --version
```
- 检查 GPU 是否可用：
```
nvidia-smi
```

准备 Python 环境

建议使用虚拟环境来避免库版本冲突：

创建虚拟环境：

python3 -m venv myenv
source myenv/bin/activate  # Linux/macOS
myenv\Scripts\activate     # Windows

更新 pip：
```
pip install --upgrade pip
```

2. 安装 PyTorch

官方安装命令

访问 PyTorch 官网获取适合你系统的安装命令。

根据 CUDA 版本安装

使用以下命令选择适合的版本：

CUDA 12.1：

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

CUDA 11.8：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

仅 CPU（无 GPU 加速）：

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

验证安装

安装完成后，验证 PyTorch 是否成功安装，并检查 GPU 是否可用：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

输出 PyTorch 版本号，且 True 表示 GPU 可用。

3. 从源码安装 PyTorch

如果需要开发或修改 PyTorch 源代码，可以从源码安装。

克隆 PyTorch 仓库：

git clone --recursive https://github.com/pytorch/pytorch
cd pytorch

安装依赖：
```
pip install -r requirements.txt
```

编译和安装：

配置编译选项：
```
export USE_CUDA=1 USE_CUDNN=1
```
编译和安装：
```
python setup.py install
```

验证安装：使用和上面相同的方式验证。

4. 常见问题与解决方法

1. 安装过程中下载速度慢

使用国内源可以显著提高下载速度：

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

2. CUDA 不匹配

如果 PyTorch 与本地 CUDA 不匹配，可能会出现如下错误：
```
RuntimeError: CUDA error: invalid device function
```
解决方法：确保安装的 PyTorch CUDA 版本和本地 CUDA 版本匹配，或安装适合当前 CUDA 的 PyTorch 版本。

3. GPU 不可用

运行以下命令查看问题：

python -c "import torch; print(torch.cuda.is_available())"

如果输出为 False：

检查 NVIDIA 驱动是否安装正确：
```
nvidia-smi
```
确保 CUDA 和 cuDNN 版本匹配。

5. 使用示例

以下是一个简单的 PyTorch GPU 使用示例：

import torch

# 检查 GPU 是否可用
if torch.cuda.is_available():
    device = torch.device("cuda")
    print("Using GPU:", torch.cuda.get_device_name(0))
else:
    device = torch.device("cpu")
    print("Using CPU")

# 创建张量
x = torch.rand(3, 3, device=device)
y = torch.rand(3, 3, device=device)
z = x + y

print("Tensor on device:", z)