当前位置：首页 > news >正文

正确安装PyTorch

news 来源：原创 2025/6/28 9:59:56

正确安装PyTorch

在这篇文章中，我们将带你快速搭建 PyTorch 环境，重点讲解如何根据你的显卡和项目需求选择合适的 CUDA Toolkit 版本，以及如何安装符合项目要求的 PyTorch及其扩展库。

1. 环境准备

在开始安装之前，我们需要了解你的硬件与系统环境，为后续安装做足准备。
安装流程图：

在这里插入图片描述

1.1 确认显卡型号与驱动支持

目标：确定你的 NVIDIA GPU 型号，并确认当前驱动支持的 CUDA 版本范围。
操作建议：
- Windows 与 Linux 用户都可以使用 nvidia-smi 命令获取详细信息。如下图：
  -
  第一步必须记住cuda版本号，这里是12.6（后面要用到版本号匹配下载对应的版本）

1.2 检查驱动兼容性与 CUDA 版本需求

目标：根据你的 GPU 型号和当前驱动，确定推荐使用的 CUDA Toolkit 版本。
操作建议：
- 访问 NVIDIA CUDA GPUs 列表查询你的显卡 Compute Capability；
- 确认驱动程序支持的 CUDA 版本，从而为后续选择做参考。
  首页的通常是最新版本，可能不兼容，要与你的cuda版本匹配，如下图：
  
  进入选择列表，与上一步的cuda版本要对应。
  
  选择正确的版本
  
  注意：如果安装最新的版本或不匹配的版本后续都会无法使用。

2. 安装 CUDA Toolkit

CUDA Toolkit 为 GPU 加速提供必要的工具和库，选择正确的版本对后续 PyTorch 的高效运行至关重要。

2.1 如何选择适合你的 CUDA 版本

选择合适的 CUDA 版本
关键是下载正确的版本，安装全是选默认即可，如下图：
在这里插入图片描述

2.2 环境变量配置

配置环境变量

Linux/Mac 环境变量
修改 ~/.bashrc,添加如下配置：

export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CUDA_HOME/lib64

使配置生效（例如 Linux 用户执行 source ~/.bashrc）
Windows环境变量（这一步没有做，有些项目有时也会成功）

如上图，并通过 nvcc --version 检查是否安装成功。

3. 安装 PyTorch 及扩展库

确保安装的 PyTorch 版本满足项目要求（≥ 2.4.0），并安装 torchvision 与 torchaudio 以支持图像和音频处理任务。

3.1 安装 PyTorch（版本 ≥ 2.4.0）

步骤：
1. 访问 PyTorch 官网生成安装命令；
2. 根据你的 CUDA Toolkit 版本选择对应选项（如 cu121、cu124 等）；
说明：若仅需 CPU 版本，则可省略 CUDA 相关参数。
这里也要匹配cuda版本。
3. 执行命令，例如：
```
pip install "torch>=2.4.0" torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
```
注意：如果是多项目我不建议这么直接安装，不然你每个项目搞一个环境都要重新下载，在国内网速不是很快很花时间，不如一次先下载回来后续的项目新建环境时直接安装即可。
下载改为：
```
pip3 download torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
```
如下图：

执行完后会下载相关的whl包，如下图：

这些包已放在：https://www.alipan.com/s/tWBE8XP37Gp，如果有相同配置的可以直接就用。

3.2 安装验证

把上面的下载回来的whl包全部安装即可。
如果你将下载的 .whl 文件放在了其他目录（例如，一个名为 downloaded_packages 的文件夹），你需要将 . 替换为该目录的路径。例如：
bash pip3 install --no-index --find-links downloaded_packages torch torchvision torchaudio

说明：
执行上述的 pip3 install 命令，将 . 或 downloaded_packages 替换为实际的目录路径。

注意事项：
pip 会自动处理依赖关系。如果下载的 .whl 文件有其他依赖项，并且这些依赖项也在下载的 .whl 文件中，pip 会一并安装。
确保你的 pip 版本是较新的，以支持这些选项。

import torch
print(torch.__version__)
if torch.cuda.is_available():
    print(torch.cuda.device_count())
else:
    print("CUDA is not available.")

执行验证成功，如下图：
在这里插入图片描述

3.3 版本依赖及 CUDA 对应性说明

注意事项：
- 确保 PyTorch 版本与 CUDA Toolkit 版本匹配，否则可能导致性能下降或兼容性问题；
- 如遇到 “ModuleNotFoundError: No module named ‘torch’” 等错误，请检查是否在正确的虚拟环境中，并可尝试使用 --no-build-isolation 参数安装依赖库。