河北省建设厅网站重新安装图文设计

---

一、待解决问题

1.1 问题描述

为了最终运行MARL算法代码，在安装好anaconda环境后，进行pytorch框架的安装。

1.2 解决方法

操作系统：ubuntu 22.04 LTS
显卡型号：Geforce RTX 4060 Mobile
显卡驱动：nvidia-550.120
CUDA版本：CUDA 12.4
预装软件：Anaconda

（1）明确pytorch安装依赖。
（2）conda创建虚拟环境。
（3）安装pytorch。
（4）验证pytorch安装。
（5）安装tensorflow。
（6）验证tensorflow安装。

二、方法详述

2.1 必要说明

❓ GPU、Nvidia显卡驱动、CUDA Toolkit、pytorch框架是什么关系呢？
简单来说就是图示中的关系，层层调用。

• 硬件设备：GPU 是一种专门用于进行图形计算和并行计算的硬件设备
• 硬件驱动：Nvidia 显卡驱动是运行在操作系统上的软件，用于让操作系统和应用程序能够与 Nvidia GPU 进行通信和交互。它提供了对 GPU 硬件的底层控制和管理，确保 GPU 能够正常工作，并将来自应用程序的指令正确地传递给 GPU。
• GPU应用工具包：CUDA Toolkit 是用于开发基于 CUDA 应用程序的工具包，它包含了编译器、库、运行时环境等组件，使开发者能够利用 GPU 的强大计算能力进行通用计算。它依赖于 Nvidia 显卡驱动来与 GPU 进行交互。
• 深度学习框架：PyTorch 是一个流行的开源深度学习框架。它支持使用 GPU 来加速计算，当 PyTorch 运行在安装了 CUDA Toolkit 和 Nvidia 显卡驱动的环境中时，它可以通过 CUDA Toolkit 调用 GPU 的计算资源，从而实现对深度学习模型的快速训练和推理。

2.2 应用步骤

2.2.1 明确pytorch安装依赖

目标导向，首先查看pytorch官网，了解官网安装依赖。
链接：pytorch Get Start

总结如下：

python版本要求：3.9或更新
ubuntu版本要求：13.04或更新
包管理工具：Anaconda 或 pip3

（1）python版本要求：

（2）操作系统版本要求

（3）包管理工具要求

2.2.2 conda创建虚拟环境

依据pytorch中对python版本的要求，创建一个python 3.11的环境。

#查看已创建的虚拟环境
conda info --envs
#创建python 3.11的虚拟环境
conda create -n marl_onpolicy python=3.11
#激活刚创建的虚拟环境
conda activate marl_onpolicy
#安装pip3
sudo apt install python3-pip
#查看当前虚拟环境下已安装的包
conda list

❓ 这里为什么要安装pip3 ？
因为pytorch官网安装命令提示，已不支持conda安装。

2.2.3 安装pytorch

确认已安装的CUDA版本。

nvcc -V

在pytorch官网选择对应选项，并在虚拟环境下运行命令

pip3 install torch torchvision torchaudio

安装过程无报错，最后提示安装了如下组件：

Installing collected packages: triton, nvidia-cusparselt-cu12, mpmath, typing-extensions, sympy, pillow, nvidia-nvtx-cu12, nvidia-nvjitlink-cu12, nvidia-nccl-cu12, nvidia-curand-cu12, nvidia-cufft-cu12, nvidia-cuda-runtime-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-cupti-cu12, nvidia-cublas-cu12, numpy, networkx, MarkupSafe, fsspec, filelock, nvidia-cusparse-cu12, nvidia-cudnn-cu12, jinja2, nvidia-cusolver-cu12, torch, torchvision, torchaudio
Successfully installed MarkupSafe-3.0.2 filelock-3.17.0 fsspec-2025.2.0 jinja2-3.1.5 mpmath-1.3.0 networkx-3.4.2 numpy-2.2.3 nvidia-cublas-cu12-12.4.5.8 nvidia-cuda-cupti-cu12-12.4.127 nvidia-cuda-nvrtc-cu12-12.4.127 nvidia-cuda-runtime-cu12-12.4.127 nvidia-cudnn-cu12-9.1.0.70 nvidia-cufft-cu12-11.2.1.3 nvidia-curand-cu12-10.3.5.147 nvidia-cusolver-cu12-11.6.1.9 nvidia-cusparse-cu12-12.3.1.170 nvidia-cusparselt-cu12-0.6.2 nvidia-nccl-cu12-2.21.5 nvidia-nvjitlink-cu12-12.4.127 nvidia-nvtx-cu12-12.4.127 pillow-11.1.0 sympy-1.13.1 torch-2.6.0 torchaudio-2.6.0 torchvision-0.21.0 triton-3.2.0 typing-extensions-4.12.2

2.2.4 验证pytorch安装

（有pycharm、vscode等IDE的可跳过这一步）
首先安装spyder IDE

conda install spyder
#启动spyder
spyder

官方提供了验证方式，在IDE中python编译以下代码，能够正确输出即表示pytorch安装成功。

import torch
x = torch.rand(5, 3)
print(x)
if torch.cuda.is_available():print("cuda available_flag: yes")
else:print("cuda available_flag: no")

输出矩阵，并且表明CUDA可使用，即安装成功。

2.2.5 安装Tensorflow

在虚拟环境下，开始安装。
（！需要主要的是，tensorflow 版本对python版本是有需求的，先自动安装，不能运行再调整版本）

conda install tensorflow-gpu
#查看tensorflow版本
conda list | grep tensor

2.2.6 验证Tensorflow安装

打开spyder，输入以下代码，看是否有输出。

import tensorflow as tf
tf.add(1, 2).numpy()
hello = tf.constant('Hello, TensorFlow!')
hello.numpy()
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

💐💐💐 完结撒花 💐💐💐

三、疑问

暂无

四、总结

• GPU、显卡驱动、CUDA Toolkit都是nvidia官方提供的。
• pytorch 作为深度学习框架提供了许多模型，用户可以基于这些模型开发自己应用。
• anaconda 作为包管理工具可以很好地控制各开发代码的环境，编写新代码时建议创建新环境，以更好控制代码版本。