做深度学习这几年我前前后后帮自己和身边朋友装了不下三四十次PyTorch。说句实在话PyTorch这个框架在模型开发阶段确实很省心唯独安装这一步因为牵扯到显卡驱动、CUDA版本、Python环境、包管理器之间的排列组合真的能让一个新手原地崩溃一下午。这篇文章打算把这些坑一次性拆清楚把我实际操作下来最稳的安装路径、验证方法和排查思路都写出来。这篇文章适合几类人刚入门Python、想在本机跑第一个深度学习模型但还没搭过框架的人已经被CUDA和显卡驱动折磨到头大的人以及装过但总觉得环境不干净、想系统梳理一遍的人。1. 动手前先想清楚你的显卡到底能不能装GPU版1.1 GPU版和CPU版到底差在哪PyTorch分成CPU版本和GPU版本严格说这不是两个完全不同的软件而是同一套代码在编译时采用了不同的后端加速方案。CPU版不依赖独立显卡任何一台装了Python的电脑都能跑适合用来学语法、调试小规模代码。但它训练一个稍大的神经网络时速度会让你怀疑人生——不是慢一点而是慢几十倍。GPU版则是把张量运算交给NVIDIA显卡的CUDA核心来做。绝大部分深度学习场景下训练和推理都应该用GPU版。哪怕是跑一条简单的卷积网络GPU和CPU的差距也能到质变的程度。所以我给所有新手的建议都一样只要你的电脑是NVIDIA显卡就优先装GPU版别纠结。1.2 如何确认自己的显卡型号和驱动支持情况确认显卡这件事Windows用户可以按WinR输入dxdiag在“显示”选项卡里看到显卡型号也可以在任务管理器-性能页面里直接看到GPU名称。只要显卡不是太老的型号GTX 7系以后基本都能支持CUDA硬件上就没问题。这里要澄清一个概念也是新手最容易混淆的点PyTorch里的CUDA版本和NVIDIA显卡驱动不是一回事。驱动是显卡的系统级软件负责让操作系统识别显卡CUDA是NVIDIA提供的一种并行计算平台PyTorch通过它调用GPU的计算能力。你的显卡驱动并不是越新越好而是要能支持你所需要的CUDA版本。NVIDIA驱动一般是向下兼容的也就是说驱动支持的CUDA版本范围比较宽。安装前先打开命令提示符输入nvidia-smi看两样东西右上角的Driver Version以及表格里显示的CUDA版本。这个CUDA版本表示当前驱动最多能支持到哪个CUDA版本一般不需要精确对应因为新版PyTorch自带了运行所需的CUDA库。1.3 Windows原生、WSL、Ubuntu到底选哪个热词里频繁出现“Ubuntu 安装 pytorch”和“pytorch环境搭建wsl”说明很多人都在纠结这个选择。从实际体验来说Linux下装PyTorch确实比Windows顺利坑少很多。但注意这不代表Windows用户必须装双系统或者换电脑。我的建议分三种情况如果你只是想在自己电脑上学习、跑跑模型直接装Windows原生环境就够了没必要一上来就折腾WSL如果你在Windows下遇到了奇怪的编译错误、库冲突或者打算长期做开发可以考虑WSL2如果你用的是Ubuntu等Linux桌面或服务器直接照装就可以网络和包管理反而更省心。WSL2的原理是Windows里面跑一个轻量 Linux 子系统它可以直接调用宿主机的NVIDIA显卡。也就是说你在WSL2里装PyTorch GPU版也能正常用CUDA。多出来的步骤主要是先在Windows宿主机上把NVIDIA驱动装好再在WSL2里运行nvidia-smi确认能看到GPU。这个方案环境很干净适合不愿意完全切换到Linux的人。2. Python环境选型Anaconda是默认答案但别忽略这3个细节2.1 为什么建议用Anaconda而不是直接装Python一个深度学习项目往往牵扯一堆依赖numpy、pandas、matplotlib、scikit-learn、opencv等等而且不同项目可能要求不同版本。裸装Python的情况下pip默认是全局安装装到后面很容易出现“装A库顺带升级了B库结果C库崩了”的局面。Anaconda提供了一套非常成熟的虚拟环境机制。你可以为每个项目单独创建一个环境每个环境有自己的Python版本和自己的一套库彼此隔离。做深度学习的人普遍用Anaconda核心原因就在这里。当然如果你已经装了裸Python也不冲突——只要先把Anaconda装好以后用它的环境就行没必要去卸载原来的Python。2.2 创建独立虚拟环境的完整操作安装Anaconda的过程不展开说官网下载安装包一路下一步即可。装完以后打开终端Windows下是Anaconda Prompt先创建一个干净的环境。我这里通常建议Python 3.10因为这个版本对PyTorch 2.x系列的兼容性很稳过新或过旧都容易遇到个别库还没适配的问题。conda create -n pytorch python3.10 -y conda activate pytorch执行完conda activate pytorch以后命令行前面会出现一个(pytorch)前缀这就表示你已经进入独立环境了。之后所有的安装操作都在这个环境里进行不会污染其他环境。2.3 pip和conda到底用哪个装PyTorch官方安装命令提供了conda和pip两种方式这也是很多人纠结的地方。我的答案是选定一种不要混用。pip的优势是速度快、搭配国内镜像源非常成熟而且PyTorch官方提供了预编译的wheel包装什么版本很清楚。conda的优势是它会顺带管理CUDA相关的运行时依赖装起来更“整包”但有时候会因为conda自身解析依赖太慢而浪费大量时间。从稳定落地的角度看我个人的习惯是新环境创建用conda装PyTorch用pip之后的第三方库也统一用pip。这样环境内依赖关系单一排查问题轻松很多。混用pip和conda最大的问题是容易产生两套包管理器的元数据冲突最终可能导致同一个库出现两个版本。3. 一步步装PyTorchCPU版、GPU版全流程实操3.1 CPU版安装快速验证用如果你的电脑没有NVIDIA显卡或者只是想先在CPU上验证代码逻辑装CPU版是最简单的方式。直接激活环境后执行pip install torch torchvision torchaudio这样装的是当前的最新稳定版默认就是从PyPI拉取的CPU版本。CPU版的好处是零依赖、不挑硬件缺点前面说过训练速度慢。很多新手一开始会拿CPU版写代码这没问题但心里要清楚后面一旦换到GPU版代码本身不用改只是计算速度会有质的提升。3.2 GPU版安装CUDA版本怎么选GPU版的安装核心是确定一个CUDA版本。到PyTorch官网首页的GET STARTED页面选择对应的操作系统和包管理器选好CUDA版本官网就会生成安装命令。这里很多人会卡住因为选项太多了。我的建议是新手直接选CUDA 11.8或12.1这两个版本是目前生态最成熟、踩坑最少的组合之一。不要一上来就追最新的CUDA 12.4之类因为新版本对应的驱动要求可能更高老显卡容易翻车。选好之后pip方式安装的命令大概是这样的pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121注意命令里的--index-url参数。它意味着pip会从PyTorch官方预编译的wheel仓库下载而不是从默认的PyPI下载。这个仓库里的torch包已经捆绑了对应的CUDA运行库所以你不需要自己单独去安装CUDA Toolkit。以前很多人额外装一套CUDA Toolkit其实没必要还容易和PyTorch内部的CUDA冲突。3.3 国内加速镜像源的正确玩法国内直接用download.pytorch.org下载速度可能很感人经常几KB每秒甚至直接超时。解决办法是用国内镜像源。PyTorch官方wheel仓库的国内镜像最常见的是阿里云和清华源。pip参数如下pip install torch2.1.1 torchvision0.16.1 torchaudio2.1.1 -f https://mirrors.aliyun.com/pytorch-wheels/cu121/或者pip install torch torchvision torchaudio -f https://mirrors.tuna.tsinghua.edu.cn/pytorch-wheels/cu121/这里-f参数的意思是指定一个额外的wheel查找地址。和--index-url不同-f只是告诉pip“你也可以到这些地方找包”它仍然会从PyPI解析依赖。实际下载时torch本体就会从镜像源拉取速度能快很多倍。用conda方式装PyTorch同时想走国内加速的话需要修改~/.condarc配置文件。我给出一个实际可用的配置channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r custom_channels: pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud nvidia: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud配置好以后执行conda clean -i清除缓存再运行官方conda安装命令下载速度就会明显改善。要注意一个细节conda方式下PyTorch的CUDA依赖是通过pytorch-cuda12.1这样的包来引入的所以安装命令里常会带-c pytorch -c nvidia这是为了从对应频道拉取这些依赖包。3.4 安装时锁定版本别让环境变成“薛定谔的依赖”这一点是很多人会忽略的。直接pip install torch会装当前最新版这次装的和半年后装的可能是不同版本。深度学习项目讲究可复现性我看到太多人坑在“代码在别人电脑上能跑在自己电脑上报错”十有八九是版本不一致。建议一直采用显式版本号的方式安装。比如PyTorch 2.1.1对应的torchvision是0.16.1torchaudio是2.1.1。这三个库的版本号通常是配套的不能随便混搭。装完以后立刻用pip freeze requirements.txt把整个环境依赖锁定下来发到新环境里只要pip install -r requirements.txt就能完整复现同一个环境。4. 验证是否装成功这3条命令最靠谱4.1 第一条版本和CUDA是否识别装完别急着开跑先用一条命令验证环境是否可用。在命令行里执行python -c import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available())三条输出分别代表PyTorch版本号、编译时对应的CUDA版本、GPU是否被正确识别。第三行输出True说明GPU版的底层已经能调用显卡了这是最基础的验证。4.2 第二条真实跑一个CUDA张量运算很多人只看到is_available()返回True就觉得万事大吉其实不够。我建议再跑一个实际的数据运算验证数据真的能在显卡上流转起来python -c import torch; x torch.randn(3, 3).cuda(); print(x)如果你能看到一个3×3的张量输出并且没有报错说明数据已经成功从内存转移到显存并且显卡计算路径完全正常。这一步能过滤掉“检测到显卡但实际运算失败”的隐患。4.3 第三条确认CUDA设备名称和cuDNN版本再执行一条命令确认PyTorch实际拿到的设备信息python -c import torch; print(torch.cuda.get_device_name(0)); print(torch.backends.cudnn.version())第一行会输出类似“NVIDIA GeForce RTX 3060”这样的显卡名称第二行输出cuDNN的版本号。如果这两行都正常显示说明PyTorch、CUDA、cuDNN整条链路都通了。5. 常见问题与排查技巧实录5.1 下载慢、超时怎么办遇到下载慢先别急着反复重试那样只会让包在半路损坏的概率更高。正确做法是换源。前面提过的阿里云和清华的wheel镜像基本能解决问题。另一个小技巧是给pip设置更长的超时时间pip install torch -f https://mirrors.aliyun.com/pytorch-wheels/cu121/ --timeout 120--timeout 120的意思是每个连接最多等待120秒默认值往往偏短在大文件下载场景下容易误判超时。5.2 torch.cuda.is_available() 返回 False 的排查流程这条命令返回False时不要盲目重装。先按顺序排查四件事第一确认你装的不是CPU版本在命令行里跑pip show torch看输出中是否带cu字样第二确认你确实在执行conda activate pytorch之后运行的Python第三运行nvidia-smi看显卡驱动是否正常显示如果命令报错说明驱动没装好第四查看显卡驱动版本是否太老无法支持你选的CUDA版本。还有一个比较隐蔽的情况如果你同时装了多个Python终端里执行的python不一定指向conda环境里的Python。可以运行which python或where python看路径是不是类似anaconda3/envs/pytorch/python.exe。很多“装完PyTorch找不到包”的求助最后定位到的都是这个问题。5.3 CUDA error: no kernel image is available for execution on the device这是一个很有代表性的报错通常出现在老显卡上。意思是PyTorch编译的CUDA二进制代码里没有适合你这款显卡算力的版本。比如一些老旧的GTX显卡的算力较低新版PyTorch已经不做适配。解决办法不是换驱动而是换旧版PyTorch。PyTorch官方对不同算力显卡的支持范围在发布说明里写得很清楚老显卡用户装新版本之前先查一下再动手。5.4 conda和pip混装后环境混乱这个场景我见得太多了今天用conda装torch明天用pip装某个依赖pip提示“该包与现有conda包冲突”然后强制升级或降级最后环境崩掉。如果已经发生这种情况别花大力气去“修复”最省时间的办法是新建一个环境重新装。就用前面说的conda create -n pytorch python3.10然后统一用pip安装十分钟内能恢复。5.5 Windows下的MSVC红字报错Windows下在裸Python里直接pip install torch有一定概率会触发MSVC编译器的红字错误尤其是要编译某些C扩展库时。这不一定是你的问题而是PyTorch某些wheel对Windows构建工具链有依赖。解决办法就是在Anaconda环境里装那里带了比较完整的运行库大多数情况下不会走到编译这一步。5.6 Ubuntu、WSL2下的差异Ubuntu下安装的命令和Windows基本完全一样区别主要在驱动层面。原生Ubuntu显卡驱动要用NVIDIA官网的Linux驱动用sudo apt install nvidia-driver-xxx也可以。WSL2环境下注意别在WSL里面单独装NVIDIA驱动它用的是宿主机的驱动你只需要在Windows里把驱动更新到支持WSL的版本然后在WSL里执行nvidia-smi确认能看到显卡。5.7 安装后import torch报错如果import torch的时候报类似OSError: [WinError 127]或找不到nvcuda.dll之类的错误多数原因是你装了GPU版但没有可用的NVIDIA驱动或者驱动太旧。先运行nvidia-smi确认驱动是否正常再考虑版本匹配问题。如果驱动正常但还是报找不到某DLL很可能是路径中混入了其他版本库建议把环境重建一遍。6. 装好以后还能顺手做这几件事6.1 用一个小模型跑通完整流程环境装好后建议用最简单的MLP或LeNet跑一次前向确认整个数据流是通的。这里给一个小示例import torch import torch.nn as nn model nn.Sequential( nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 10) ).cuda() x torch.randn(64, 784).cuda() out model(x) print(out.shape)输出是torch.Size([64, 10])说明模型已经能在GPU上完成推理。这一步跑通以后后面直接套自己的项目代码就行。6.2 把PyTorch模型导出成ONNX如果你后续打算做部署推理PyTorch训练好的模型可以很方便地导出为ONNX格式。方法不复杂核心是torch.onnx.exportimport torch model nn.Sequential(nn.Linear(10, 5)).cuda().eval() dummy_input torch.randn(1, 10).cuda() torch.onnx.export(model, dummy_input, model.onnx, input_names[input], output_names[output])ONNX的好处是中间格式导出后可以转到TensorRT、ONNX Runtime等推理引擎应用场景很广。这个扩展可以等环境成熟后再做不必刚开始就研究。6.3 把当前环境固化下来既然环境已经装好建议立刻固化。如果用的是pip执行pip freeze requirements.txt如果用conda执行conda env export environment.yml。这样以后换电脑、换服务器只需要一条命令就能重建环境省掉反复安装、反复排查的麻烦。我个人这几年安装PyTorch总结下来最大的体会是装环境这件事追求稳定比追求最新重要得多。Python 3.10、PyTorch 2.1、CUDA 11.8或12.1这三个组合我带过的项目里成功率最高几乎没有因为版本问题翻过车。如果让我再补充一个建议那就是不要把大量时间耗在“修复”一个已经混乱的环境上新开一个环境重新装往往更快、更干净。希望这篇从实战里写出来的教程能让你少踩几个我踩过的坑顺顺利利跑通你的第一个模型。