机器学习与深度学习 / 系统课时

选择 Python 与 PyTorch 版本

选择 Python 与 PyTorch 版本

本课解决深度学习环境中最常见的版本冲突问题。完成后,你将能根据操作系统、显卡和驱动选择 Python、PyTorch 与 CUDA 运行时,并用一组命令确认安装结果是否真正可用。

学习目标

  • 理解 Python、PyTorch、CUDA 运行时与 NVIDIA 驱动之间的依赖关系
  • 根据 CPU、Apple 芯片或 NVIDIA GPU 选择稳妥的安装组合
  • 使用诊断脚本验证版本、设备和张量计算是否正常

先看清四层兼容关系

版本选择不是“数字越新越好”,而是让四层能力同时满足:Python 能安装目标 PyTorch,PyTorch 提供适合当前平台的二进制包,CUDA 构建能够被驱动支持,显卡架构也包含在该构建中。

Python、PyTorch、CUDA 与驱动兼容关系流程图

截至 2026 年 8 月,PyTorch 官方说明稳定版要求 Python 3.10 及以上;Python 3.12 仍处于官方支持期。本课程默认使用 Python 3.12,因为它在深度学习生态中兼容面较宽,而不是因为它是最新版本。:contentReference[oaicite:0]{index=0}

对于预编译的 PyTorch 安装包,优先按照官方安装选择器提供的计算平台安装。nvidia-smi 显示的 CUDA Version 表示当前驱动可支持的最高 CUDA 版本,不等同于你本机一定安装了同版本 CUDA Toolkit。:contentReference[oaicite:1]{index=1}

按硬件选择基线方案

没有独立显卡或只需要学习张量、自动微分和基础网络时,选择 CPU 版即可。Apple Silicon 设备使用 macOS 官方包,后续由 PyTorch 的 MPS 后端调用苹果 GPU,不需要安装 NVIDIA CUDA。

使用 NVIDIA GPU 时,先更新到厂商支持的稳定驱动,再在 PyTorch 官方安装选择器中选择 Stable、Pip、Python 和适合驱动的 CUDA 构建。不要只根据本机 CUDA Toolkit 版本猜测,也不要在课程开始阶段使用 Nightly。

推荐决策可以压缩为三条:

  • 通用学习环境:Python 3.12 + PyTorch Stable + CPU
  • NVIDIA GPU:Python 3.12 + PyTorch Stable + 官方选择器提供的 CUDA 构建
  • 维护已有项目:严格遵守项目锁定文件,不主动升级 Python、PyTorch 或 CUDA

检查机器并执行安装

先确认 Python、pip 和显卡驱动。Windows 可在 PowerShell 执行,Linux 与 macOS 可在终端执行;没有 NVIDIA GPU 时,nvidia-smi 不存在属于正常情况。

bash
python --version
python -m pip --version
nvidia-smi

预期结果

text
Python 3.12.<PATCH>
pip <VERSION> from <PATH>
NVIDIA-SMI <VERSION>    Driver Version: <VERSION>    CUDA Version: <VERSION>

其中 <PATCH>、<VERSION> 和 <PATH> 会随系统变化。若使用 CPU 或 Apple 芯片,只需前两条命令成功。

CPU 环境可直接使用下面的完整安装命令;NVIDIA GPU 环境应把它替换为 PyTorch 官方选择器实时生成的命令,避免把已经过期的 CUDA 构建写死在项目文档中。

bash
python -m pip install --upgrade pip
python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

预期结果

text
Successfully installed torch-<VERSION> torchvision-<VERSION> ...

下载缓存、依赖版本和输出顺序可能不同,只要命令以成功安装结束且没有 ERROR 即可。

用程序完成最终验证

新建 verify_torch.py,同时检查版本、后端和一次真实张量运算。该脚本会优先选择 CUDA,其次选择 MPS,最后回退到 CPU。

python
import torch

if torch.cuda.is_available():
    device = torch.device("cuda")
elif torch.backends.mps.is_available():
    device = torch.device("mps")
else:
    device = torch.device("cpu")

x = torch.tensor([[1.0, 2.0], [3.0, 4.0]], device=device)
y = x @ x

print(f"torch={torch.__version__}")
print(f"device={device.type}")
print(y.cpu())

运行脚本:

bash
python verify_torch.py

预期输出

text
torch=<VERSION>
device=<cpu|cuda|mps>
tensor([[ 7., 10.],
        [15., 22.]])

若安装了 CUDA 版但设备仍显示 cpu,按“驱动是否识别显卡 → 当前 Python 是否来自目标环境 → 安装的 torch 是否为 CUDA 构建”的顺序检查。不要先反复重装 CUDA Toolkit,因为问题常常出在驱动、环境路径或装错软件包。

本课总结

  • 版本兼容取决于 Python、PyTorch 构建、计算平台和驱动四层共同满足
  • 新项目可优先采用 Python 3.12 与 PyTorch Stable,GPU 安装命令以官方选择器为准
  • 安装成功不等于 GPU 可用,必须用 torch.cuda.is_available() 和张量计算完成验证

下一课预告

下一课将使用 Python 自带的 venv 创建项目级隔离环境,并生成可重复安装的依赖清单。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

选择 Python 与 PyTorch 版本

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通