机器学习与深度学习 / 系统课时
安装 Python 与 PyTorch
安装 Python 与 PyTorch
这一课把本机配置到能够实际运行 PyTorch 张量。示例统一采用 Python 3.12 与 PyTorch 2.14.0,并分别给出 CPU、NVIDIA CUDA 和 Apple Silicon 的安装与验证方法,最后用同一段脚本确认张量确实运行在预期设备上。
学习目标
- 安装并确认可用的 Python 3.12 与 pip。
- 按 CPU、CUDA 或 Apple MPS 选择正确的 PyTorch 安装方式。
- 用代码检查 PyTorch 版本、加速后端与一次真实张量计算。
准备 Python 与最小环境
本课以 Python 3.12 为基线。Windows 10/11 可用 winget install -e --id Python.Python.3.12;装有 Homebrew 的 macOS 可用 brew install python@3.12;Ubuntu 24.04 可用 sudo apt install python3 python3-venv python3-pip。安装后先确认版本,再创建临时虚拟环境,避免把 PyTorch 装进系统 Python。
python --version
python -m venv .venv预期输出:第一行应显示 Python 3.12.x;第二条命令成功时通常不打印内容,并在当前目录创建 .venv。Linux 上若系统没有 python 命令,可把第一条和第二条中的 python 改为 python3。
激活环境时,Windows PowerShell 使用 .\.venv\Scripts\Activate.ps1,macOS/Linux 使用 source .venv/bin/activate。激活后执行下面的检查,输出路径应落在 .venv 内。
python -c "import sys; print(sys.executable)"
python -m pip --version预期输出
<PATH>/.venv/.../python
pip <VERSION> from <PATH>/.venv/... (python 3.12)<PATH> 与 <VERSION> 会因操作系统和 pip 版本不同而变化;关键是 Python 与 pip 都来自同一个 .venv。
按计算平台安装 PyTorch
只做 CPU 学习或服务器没有 NVIDIA GPU 时,Windows/Linux 可显式使用 CPU wheel。这样下载体积更可控,也不会因为 CUDA 驱动问题影响入门验证。
python -m pip install torch==2.14.0 torchvision==0.29.0 --index-url https://download.pytorch.org/whl/cpu预期结果:命令以退出码 0 完成,torch 与 torchvision 被安装到当前 .venv。
NVIDIA GPU 机器可安装 CUDA 13.0 wheel。先运行 nvidia-smi,确认系统能识别 GPU 和驱动;若该命令本身失败,应先修复 NVIDIA 驱动,而不是反复重装 PyTorch。
python -m pip install torch==2.14.0 torchvision==0.29.0 --index-url https://download.pytorch.org/whl/cu130预期结果:命令以退出码 0 完成,并安装 CUDA 13.0 对应的 PyTorch wheel。预编译 wheel 自带运行所需的 CUDA 用户态组件;正常使用不要求先单独安装完整 CUDA Toolkit,但仍需要兼容的 NVIDIA 驱动。
Apple Silicon Mac 不使用 CUDA。保持已激活的 .venv,直接从 PyPI 安装 macOS wheel;后续通过 MPS 后端检查 GPU 是否可用。
python -m pip install torch==2.14.0 torchvision==0.29.0预期结果:命令以退出码 0 完成,安装与当前 macOS 架构匹配的 wheel。
验证 CPU 或 GPU 是否真正可用
新建 verify_torch.py,让程序优先选择 CUDA,其次选择 Apple MPS,否则退回 CPU。除了检查布尔值,还执行一次矩阵乘法;只有张量成功迁移并完成运算,才算环境真正可用。
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__.split('+')[0]}")
print(f"device={device.type}")
print(f"shape={tuple(y.shape)}")
print(f"finite={torch.isfinite(y).all().item()}")预期结果:把这段内容保存为 verify_torch.py 时不会产生终端输出;执行下方命令后应打印版本、设备和计算结果状态。
运行:
python verify_torch.py预期输出
torch=2.14.0
device=<cpu|cuda|mps>
shape=(2, 2)
finite=Truedevice 应与机器能力一致:CPU 安装为 cpu,可用的 NVIDIA CUDA 环境为 cuda,Apple Silicon 且 MPS 可用时为 mps。
处理最常见的安装失败
若 ModuleNotFoundError: No module named 'torch',先比较 python -c "import sys; print(sys.executable)" 与 python -m pip --version 中的路径;两者不在同一个 .venv 时,说明包装到了别的解释器。重新激活环境后用 python -m pip install ...,不要混用系统 pip。
若 NVIDIA 机器安装了 CUDA wheel,但验证仍显示 device=cpu,按顺序检查 nvidia-smi、当前环境中的 torch.__version__ 与 torch.version.cuda。下面命令能把关键状态一次打印出来。
python -c "import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())"预期输出:CUDA 13.0 wheel 通常显示 PyTorch 版本、13.0 和 True;若最后是 False,优先处理驱动、容器 GPU 映射或远程主机没有 GPU 等环境问题,而不是修改模型代码。