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。

bash
python --version
python -m pip --version

预期输出

text
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。

powershell
python -m venv .venv
.\.venv\Scripts\Activate.ps1

预期结果

text
终端提示符前出现 (.venv)
bash
python -m venv .venv
source .venv/bin/activate

预期结果

text
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。

bash
nvidia-smi

预期输出

text
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。

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

预期输出

text
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。

bash
python -m pip install torch torchvision --index-url <OFFICIAL_CUDA_WHEEL_INDEX>

预期输出

text
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。

python
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

text
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。

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

安装与验证 PyTorch

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