机器学习与深度学习 / 系统课时
安装与验证 PyTorch
安装与验证 PyTorch
本课将完成独立环境检查、CPU 或 GPU 版本安装,并用设备检测与矩阵运算验证 PyTorch 是否真正可用。完成后,你不仅能成功导入 torch,还能够判断程序当前使用的是 CPU 还是 CUDA 设备。
学习目标
- 根据硬件条件选择 CPU 或 GPU 安装方式
- 在虚拟环境中安装 PyTorch 及常用视觉组件
- 通过版本、设备和张量运算完成环境验收
前置检查
建议在项目目录中使用独立虚拟环境,避免不同课程或项目的依赖互相覆盖。先确认终端调用的 Python 与 pip 属于同一个解释器。
python --version
python -m pip --version预期输出
Python <VERSION>
pip <VERSION> from <PATH><VERSION> 和 <PATH> 会因系统而不同。关键是两条命令都能正常执行,并且 pip 路径指向你准备使用的 Python 环境。
接着创建并激活虚拟环境。Windows PowerShell 使用第一组激活命令,macOS 或 Linux 使用第二组。
python -m venv .venv
.\.venv\Scripts\Activate.ps1预期结果
终端提示符前出现 (.venv)python -m venv .venv
source .venv/bin/activate预期结果
终端提示符前出现 (.venv)选择 CPU 或 GPU 版本
没有 NVIDIA GPU、只做入门练习,或暂时不需要加速时,选择 CPU 版本最省事。准备使用 NVIDIA GPU 时,先确认系统能够识别显卡驱动。
nvidia-smi预期输出
NVIDIA-SMI <VERSION> Driver Version: <VERSION> CUDA Version: <VERSION>如果提示命令不存在,或者列表中没有可用 NVIDIA GPU,应先选择 CPU 版本。GPU 安装命令会随 PyTorch 与 CUDA 支持范围变化,应在 PyTorch 官方安装选择器中按操作系统、Pip、Python 和 CUDA 平台生成,不要直接照搬旧教程中的下载地址。
安装 PyTorch
CPU 环境可直接安装官方 CPU 轮子。torchvision 提供常用图像数据集、模型和图像变换,本课程后续会使用。
python -m pip install --upgrade pip
python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu预期输出
Successfully installed torch-<VERSION> torchvision-<VERSION>GPU 环境先从官方安装选择器复制当前匹配的 CUDA 轮子地址,再替换下面的占位值执行。<OFFICIAL_CUDA_WHEEL_INDEX> 必须是选择器生成的完整索引地址。
python -m pip install torch torchvision --index-url <OFFICIAL_CUDA_WHEEL_INDEX>预期输出
Successfully installed torch-<VERSION> torchvision-<VERSION>安装日志中的版本号可能不同,只要命令成功结束且没有 ERROR 即可进入验证阶段。
运行完整验证
新建 verify_torch.py,使用固定矩阵完成一次可重复的张量运算。脚本会自动优先选择 CUDA,不可用时回退到 CPU。保存文件后执行 python verify_torch.py。
import torch
def main() -> None:
# 有 CUDA 时使用 GPU,否则保持 CPU 路径
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 固定输入,便于核对 CPU 与 GPU 的计算结果是否一致
left = torch.tensor([[1.0, 2.0], [3.0, 4.0]], device=device)
right = torch.tensor([[5.0, 6.0], [7.0, 8.0]], device=device)
result = left @ right
print(f"torch={torch.__version__}")
print(f"cuda_available={torch.cuda.is_available()}")
print(f"device={device}")
print(result.cpu())
if __name__ == "__main__":
main()预期输出
torch=<VERSION>
cuda_available=<True|False>
device=<cuda|cpu>
tensor([[19., 22.],
[43., 50.]])CPU 安装显示 False 和 cpu 属于正常结果;GPU 安装应显示 True 和 cuda。矩阵结果必须一致,否则不能把环境视为验收通过。
典型失败处理
出现 ModuleNotFoundError: No module named 'torch' 时,通常是安装和运行使用了不同解释器。确认终端已激活 .venv,并使用 python -m pip 安装,而不是单独调用可能指向其他环境的 pip。
GPU 机器显示 cuda_available=False 时,依次检查显卡驱动、安装包类型和当前解释器。若误装 CPU 轮子,先卸载 torch 与 torchvision,再使用官方选择器生成的 GPU 命令重新安装。
安装过程出现下载中断或校验失败时,先升级 pip、清理本次失败产生的缓存后重试。不要混用多个镜像源和多个 CUDA 索引,否则容易得到来源不一致的依赖组合。
本课总结
- CPU 版本适合入门与兼容性验证,GPU 版本必须结合显卡驱动和官方选择器安装
python -m pip能减少解释器与安装器不一致的问题- 只有导入成功、设备判断正确且张量运算结果正确,环境才算真正可用
下一课预告
下一课将把零散脚本整理为标准 PyTorch 项目,明确配置、数据、模型、日志和权重文件各自应放在哪里。