相關章節

《Pytorch深度學習框架實戰教程09：模型的保存和加載》

《Pytorch深度學習框架實戰教程01：深度學習框架簡介》

本文詳細介紹了PyTorch CPU/GPU雙版本的完整安裝流程，從環境準備到部署驗證，助你快速搭建高效深度學習開發環境。

一、環境準備：硬件與軟件基礎

1.1 硬件要求

• CPU版本：至少4核處理器，8GB內存（推薦16GB+）

• GPU版本：NVIDIA顯卡（GTX 1060起步，推薦RTX 3060+），顯存6GB+

• 存儲空間：至少20GB可用空間（數據集和模型占用）

1.2 軟件要求

• 操作系統：Windows 10/11，Ubuntu 18.04+，macOS 10.15+

• Python版本：3.8-3.11（PyTorch官方推薦）

• 包管理工具：pip或Anaconda/Miniconda

使用nvidia-smi命令檢查GPU狀態（僅限NVIDIA顯卡）：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 535.86.05 ? ?Driver Version: 535.86.05 ? ?CUDA Version: 12.2 ? ? |
|-------------------------------+----------------------+----------------------+
| GPU ?Name ? ? ? ?Persistence-M| Bus-Id ? ? ? ?Disp.A | Volatile Uncorr. ECC |
| Fan ?Temp ?Perf ?Pwr:Usage/Cap| ? ? ? ? Memory-Usage | GPU-Util ?Compute M. |
| ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? | ? ? ? ? ? ? ? ? ? ? ?| ? ? ? ? ? ? ? MIG M. |
|===============================+======================+======================|
| ? 0 ?NVIDIA GeForce ... ?On ? | 00000000:01:00.0 ?On | ? ? ? ? ? ? ? ? ?N/A |
| 30%

? 45C ? ?P8 ? ?15W / 180W | ? ?682MiB / ?8192MiB | ? ? ?1% ? ? ?Default |

二、安裝Python環境

2.1 安裝Miniconda（推薦）

# Linux/macOS
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh# Windows
下載Miniconda3-latest-Windows-x86_64.exe并運行

2.2 創建虛擬環境

conda create -n pytorch_env python=3.10
conda activate pytorch_env

---

三、CPU版本安裝（通用方案）

3.1 使用pip安裝

pip install torch torchvision torchaudio

3.2 使用conda安裝

conda install pytorch torchvision torchaudio cpuonly -c pytorch

---

四、GPU版本安裝（NVIDIA專屬）

4.1 驅動與CUDA安裝

1. 安裝NVIDIA驅動：

   • Ubuntu：sudo apt install nvidia-driver-535

   • Windows：下載GeForce Experience自動更新

2. 安裝CUDA Toolkit：

   # CUDA 12.1安裝命令 wget https://developer.download.nvidia.com/compute/cuda/12.1.1/local_installers/cuda_12.1.1_530.30.02_linux.run sudo sh cuda_12.1.1_530.30.02_linux.run

3. 配置環境變量：

   # 添加到~/.bashrc export PATH=/usr/local/cuda-12.1/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

4.2 PyTorch GPU版安裝

訪問PyTorch官網獲取最新命令：

# CUDA 12.1示例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4.3 cuDNN安裝（可選加速）

1. 下載對應CUDA版本的cuDNN

2. 解壓并復制文件：

tar -xzvf cudnn-linux-x86_64-8.9.4.25_cuda12-archive.tar.xz sudo cp cuda/include/cudnn*.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

---

五、安裝驗證與測試

5.1 基礎功能測試

import torchprint(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU數量: {torch.cuda.device_count()}")
print(f"當前GPU: {torch.cuda.current_device()}")
print(f"設備名稱: {torch.cuda.get_device_name(0)}")

5.2 性能基準測試

# 矩陣乘法性能測試
device = 'cuda' if torch.cuda.is_available() else 'cpu'x = torch.randn(10000, 10000).to(device)
y = torch.randn(10000, 10000).to(device)%timeit z = torch.matmul(x, y)  # 使用%timeit測量執行時間# 典型結果對比：
# CPU (i7-12700H): 2.3 s ± 45.6 ms per loop
# GPU (RTX 3060): 125 ms ± 1.24 ms per loop

---

六、Docker部署方案（生產環境推薦）

6.1 安裝Docker

# Ubuntu sudo apt install docker.io sudo systemctl enable --now docker # Windows 下載Docker Desktop并安裝

6.2 拉取PyTorch鏡像

# 官方鏡像（含CUDA支持） docker pull pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime # 運行容器 docker run -it --gpus all pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime

---

七、常見問題解決方案

1. CUDA不可用問題：

   • 檢查驅動版本：nvidia-smi

   • 驗證CUDA安裝：nvcc --version

   • 確保PyTorch CUDA版本匹配

2. 內存不足錯誤：

   # 減少批次大小 dataloader = DataLoader(dataset, batch_size=16, shuffle=True) # 使用混合精度訓練 scaler = torch.cuda.amp.GradScaler()

3. 多GPU配置：

   # 數據并行
   model = nn.DataParallel(model)# 分布式訓練
   torch.distributed.init_process_group(backend='nccl')

---

八、環境優化建議

1. 性能調優：

   # 設置OpenMP線程數 export OMP_NUM_THREADS=8

2. 虛擬環境管理：

   # 導出環境配置
   conda env export > environment.yml# 恢復環境
   conda env create -f environment.yml

   IDE配置建議：

   • VS Code安裝Python和Pylance擴展

   • PyCharm專業版啟用CUDA調試支持

---

結論：選擇最佳方案

應用場景	推薦方案	優勢
學習/輕量級任務	CPU版本	無需GPU，資源消耗低
模型訓練	GPU版本+conda環境	最大化利用硬件加速
團隊協作	Docker容器化部署	環境一致性高
生產部署	PyTorch TorchServe	專業模型服務框架