#工作記錄

一、總述

在深度學習領域，PyTorch 憑借其靈活性和強大的功能，成為了眾多開發者和研究者的首選框架。而 CUDA GPU 支持能夠顯著加速 PyTorch 的計算過程，大幅提升訓練和推理效率。然而，安裝帶有 CUDA GPU 支持的 PyTorch 常常會遇到各種問題，如版本不兼容、安裝失敗等。

經過反復實踐和總結，要想 100% 成功安裝帶有 CUDA GPU 支持的 PyTorch，強烈建議僅采用 PyTorch 官方網站生成的（ 或 查找到的 舊版安裝命令）進行安裝。

因為官方命令能夠確保?torch、torchvision?和?torchaudio?三個包的版本兼容性，避免因版本沖突導致安裝失敗或 CUDA GPU 支持無法啟用的情況。

下面將詳細介紹具體的安裝方案。

?二、先決條件

2.1 硬件要求

• 計算機需配備 NVIDIA GPU，且該 GPU 支持 CUDA。你可以前往?NVIDIA 官方網站?查看具體的 GPU 支持列表。

2.2 軟件要求

• NVIDIA 驅動：安裝與你的 GPU 型號和 CUDA 版本兼容的 NVIDIA 驅動。你可以通過在命令行輸入?nvidia-smi?查看當前驅動版本和 GPU 信息。
• CUDA Toolkit：安裝適合你系統的 CUDA Toolkit 版本。可從?NVIDIA CUDA 下載頁面?獲取。安裝完成后，使用?nvcc --version?命令驗證安裝是否成功。
• cuDNN：從?NVIDIA cuDNN 下載頁面?下載與你 CUDA 版本匹配的 cuDNN 庫，并按照官方文檔進行安裝。

2.3 網絡要求

確保你的網絡連接穩定，能夠流暢訪問 PyTorch 官方網站和相關下載源。

三、100% 成功方案實操

3.1 訪問 PyTorch 官方網站

打開瀏覽器，在地址欄輸入?PyTorch 官方安裝頁面，進入該頁面后，我們將看到一個用于生成安裝命令的配置界面。

?

3.2 確定安裝需求

3.2.1 項目需求判斷

• 情況一：requirements.txt?未羅列?torch，但項目需要?torch?加速
  若?requirements.txt?文件中沒有列出?torch，但項目實際需要?torch?進行 GPU 加速，此時我們需要根據系統的 CUDA 12.8 版本號來選擇安裝?torch?的版本。
• 如果我們的 CUDA 12.8 版本支持且我們希望嘗試最新特性，可以選擇安裝最新的 Preview (Nightly) 版；若追求穩定性，建議安裝最新的 Stable 版本。

• 情況二：羅列了?torch?版本，但未羅列關聯的?torchvision?和?torchaudio?包
  當?requirements.txt?文件中列出了?torch?的具體版本，卻沒有列出關聯的?torchvision?和?torchaudio?這兩個包時，僅安裝?torch?是無法實現完整的 CUDA GPU 加速支持的。
• ?我們需要手動修改?requirements.txt?文件的內容，從 PyTorch 官方網站查找出與?requirements.txt?文件中指定的?torch?版本相匹配的?torchvision?和?torchaudio?版本，并添加到?requirements.txt?中。
• 具體查找方法為：在 PyTorch 官方網站的?Previous PyTorch Versions?頁面，找到對應?torch?版本且適配 CUDA 12.8 的安裝命令，從中獲取?torchvision?和?torchaudio?的版本信息。

• 情況三：列出了?torch，但未指定版本號，且未列出?torchvision?和?torchaudio?包
  若?requirements.txt?文件列出了?torch，但沒有指定其版本號，同時也沒有列出?torchvision?和?torchaudio?這兩個包，同樣需要我們修改?requirements.txt?文件。???????
• 手動添加上?torchvision?和?torchaudio?這兩個包，并根據項目需求和系統 CUDA 版本，從 PyTorch 官方網站獲取合適的版本信息添加到文件中。

• 情況四：torch、torchvision?和?torchaudio?三個包都列出，但未指定版本號
  當?requirements.txt?文件中列出了?torch、torchvision?和?torchaudio?三個包，但都沒有指定版本號時，默認會安裝最新的 PyTorch 版本。
• 然而，由于沒有明確版本號，在安裝?requirements.txt?文件中的其他包時，與其相關的依賴有可能會被卸載重裝或變更，從而導致版本不兼容問題。
• 為避免這種情況，最好我們找到 PyTorch 官網適配 CUDA 的最新穩定版的安裝命令，提前進行安裝或者在其他包安裝完成后進行重裝。
• 以下是相關命令示例：
• 安裝命令：

• ?使用?conda：

conda install pytorch torchvision torchaudio -c pytorch -c nvidia

• 使用?pip：

?
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

• 卸載命令：
• 使用?conda：

conda remove pytorch torchvision torchaudio

• 使用?pip：

pip uninstall torch torchvision torchaudio

• 清除緩存命令：
  • 使用?pip：

pip cache purge

• 使用?conda：

conda clean --all

• 安裝命令：從 PyTorch 官方網站獲取適合我們系統和 CUDA 12.8 版本的安裝命令，例如使用?pip?安裝 CUDA 12.8 版本的 PyTorch：
• 穩定版

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

• 預覽版

pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128

?

• 情況五：torch、torchvision?和?torchaudio?三個包都列出且指定了版本號，但版本號不兼容
  當?requirements.txt?文件中?torch、torchvision?和?torchaudio?三個包都已列出并且指定了版本號，但這些版本號之間不兼容時，無法實現完整的 CUDA GPU 支持。此時，我們需要訪問 PyTorch 官方網站的?Previous PyTorch Versions（以前的 PyTorch 版本）頁面。在該頁面中，查找與?requirements.txt?文件中?torch?版本一致且適配 CUDA的安裝命令。
• 根據查找到的命令，對?requirements.txt?文件中的相關包版本信息進行修正，以確保版本兼容性。

• 情況六：torch、torchvision?和?torchaudio?三個包，只羅列了其中的兩個
  當?requirements.txt?文件中只羅列了?torch、torchvision?和?torchaudio?三個包中的其中兩個時，無法保證實現完整的 CUDA GPU 支持。這種情況下，我們需要訪問 PyTorch 官方網站的安裝頁面（Start Locally | PyTorch）或以前的 PyTorch 版本頁面（Previous PyTorch Versions | PyTorch）。
• 根據已羅列的包及其版本信息（若有指定版本），以及系統的 CUDA 12.8 版本等條件，查找合適的 PyTorch 安裝命令。
• 然后根據該命令，對?requirements.txt?文件進行補充和修正，添加缺失的包及其對應的版本信息，以確保三個包都能正確安裝且版本兼容。

• 情況七：其他因篇幅有限未舉例的情形
• 當出現其他安裝失敗的情形時，請優先排查相關組件，然后用PyTorch 官方網站上生成或找到的舊版安裝命令重試，可切換不同的CUDA版本命令逐一重試后驗證安裝。

3.2.2 配置安裝選項

• PyTorch 版本：
  • 若?requirements.txt?文件指定了?torch?版本號，在官方安裝頁面的 “PyTorch Build” 下拉菜單中，通過滾動查找或手動輸入的方式選擇對應的版本。
  • 若為新項目，我們選擇 “Stable”（穩定版）。
• 操作系統：根據我們的計算機操作系統，在 “Your OS” 下拉菜單中選擇相應選項，如 Windows、Linux 或 macOS。
• 包管理器：根據我們之前創建虛擬環境所使用的工具，在 “Package” 下拉菜單中選擇合適的包管理器。如果我們使用?conda?創建了虛擬環境，選擇?conda；若使用?venv?或不打算使用?conda，選擇?pip。
• CUDA 版本：我們選擇 “CUDA 12.8”。

3.3 獲取安裝命令

完成上述配置后，頁面下方會自動生成相應的安裝命令。該命令包含了安裝?torch、torchvision?和?torchaudio?所需的所有信息，并且確保了這三個包的版本兼容性，以支持 CUDA 12.8 GPU 加速。

3.4 執行安裝命令

3.4.1 激活虛擬環境

如果我們創建了虛擬環境，需要先激活它：

• 使用 conda 創建的虛擬環境：在命令行輸入?conda activate <虛擬環境名稱>，例如?conda activate pytorch_env。
• 使用 venv 創建的虛擬環境：
  • 在 Linux/Mac 系統中，輸入?source <虛擬環境路徑>/bin/activate，如?source pytorch_env/bin/activate。
  • 在 Windows 系統中，輸入?<虛擬環境路徑>\Scripts\activate，如?pytorch_env\Scripts\activate。

3.4.2 執行安裝命令

將之前從 PyTorch 官方網站獲取的安裝命令復制到命令行中，并按下回車鍵執行。安裝過程可能需要一些時間，具體取決于我們的網絡速度和系統性能。

3.5 驗證安裝

安裝完成后，需要我們驗證 PyTorch 是否成功安裝并支持 CUDA 12.8 GPU。

• 打開命令行，使用 Python 3.13 解釋器，輸入?python3.13?進入 Python 解釋器。
• 在 Python 解釋器中輸入以下代碼：

import torch  # 導入 PyTorch 庫print("PyTorch 版本：", torch.__version__)  # 打印 PyTorch 的版本號# 檢查 CUDA 是否可用，并設置設備（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("設備：", device)  # 打印當前使用的設備
print("CUDA 可用：", torch.cuda.is_available())  # 打印 CUDA 是否可用
print("cuDNN 已啟用：", torch.backends.cudnn.enabled)  # 打印 cuDNN 是否已啟用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 創建兩個隨機張量（默認在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 將張量移動到指定設備（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 對張量進行逐元素相加
z = x + y# 打印結果
print("張量 z 的值：")
print(z)  # 輸出張量 z 的內容

?

代碼輸出解釋

• print("PyTorch 版本：", torch.__version__)：輸出當前安裝的 PyTorch 版本號，幫助我們確認所使用的 PyTorch 版本。此處應輸出：PyTorch 版本。
• device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")?和?print("設備：", device)：檢查 CUDA 是否可用。若可用，設備設置為第一個 GPU（cuda:0）；若不可用，設置為 CPU。輸出當前使用的設備，讓我們知道計算將在哪個設備上進行。此處應輸出：cuda:0。
• print("CUDA 可用：", torch.cuda.is_available())：明確輸出 CUDA 是否可用，判斷系統是否具備 GPU 加速的條件。此處應輸出：CUDA 可用。
• print("cuDNN 已啟用：", torch.backends.cudnn.enabled)：輸出 cuDNN 是否已經啟用。cuDNN 是 NVIDIA 提供的深度神經網絡庫，啟用后可加速深度學習計算。此處應輸出：cuDNN 已啟用。
• print("支持的 CUDA 版本：", torch.version.cuda)：輸出當前 PyTorch 支持的 CUDA 版本，確保 CUDA 版本與 PyTorch 兼容。此處應輸出：支持的 CUDA 版本：XX.XX。
• print("cuDNN 版本：", torch.backends.cudnn.version())：輸出當前使用的 cuDNN 版本，確認 cuDNN 版本是否符合要求。此處應輸出：cuDNN 版本：XXXXX。
• x = torch.rand(5, 3)?和?y = torch.rand(5, 3)：創建兩個形狀為?(5, 3)?的隨機張量，這些張量默認在 CPU 上創建。
• x = x.to(device)?和?y = y.to(device)：將創建的隨機張量移動到之前確定的設備（CPU 或 GPU）上，保證后續計算在指定設備進行。此處應被移動到設備'cuda:0'。
• z = x + y：對兩個張量進行逐元素相加操作，得到結果張量?z。
• print("張量 z 的值：")?和?print(z)：輸出結果張量?z?的內容，確認張量計算是否正常執行。此處應輸出：[*****，device='cuda:0']。

通過以上輸出，我們可以全面了解 PyTorch 的安裝情況、CUDA 和 cuDNN 的配置情況，以及張量計算是否能在指定設備上正常進行。

驗證PyTorch深度學習環境Torch和CUDA還有cuDNN是否正確配置的命令_驗證pytorch和cuda的命令-CSDN博客

四、PyTorch 的安裝方法

4.1 pip 安裝（從 PyTorch 官網命令）

按照前面步驟從 PyTorch 官方網站獲取適合我們系統和 CUDA 12.8 版本的?pip?安裝命令，然后在激活的虛擬環境中執行該命令即可完成安裝。

這種方法簡單方便，且能保證安裝的是官方推薦的版本。

4.2 conda 安裝（從 PyTorch 官網命令）

同樣從 PyTorch 官方網站獲取?conda?安裝命令，在激活的?conda?虛擬環境中執行該命令。

conda?可以更好地管理包的依賴關系，適合對環境管理有較高要求的我們。

4.3 下載包后從本地安裝（從鏡像源 不推薦）

我們可以從鏡像源下載?torch、torchvision?和?torchaudio?的安裝包，然后通過本地安裝的方式進行安裝。

但這種方法不推薦，因為鏡像源的包可能不是最新版本，且版本兼容性難以保證，容易導致安裝失敗或 CUDA 12.8 GPU 支持出現問題。

五、總結

通過嚴格按照上述步驟操作，特別是使用 PyTorch 官方網站生成的安裝命令，我們能夠確保?torch、torchvision?和?torchaudio?三個包的版本兼容性，從而 100% 成功安裝帶有 CUDA 12.8 GPU 支持的 PyTorch。在安裝過程中，要仔細檢查每個步驟，根據不同的項目需求準確判斷并配置安裝選項，確保滿足先決條件。同時，優先選擇?pip?或?conda?從官方網站獲取命令進行安裝，避免使用不推薦的本地安裝方式。希望這份攻略能夠幫助我們順利搭建起高效的深度學習開發環境。