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。

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。
python --version
python -m pip --version
nvidia-smi预期结果
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。
python -m pip install --upgrade pip
python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu预期结果
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。
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:
python verify_torch.py预期输出
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。