PyTorch在Ubuntu上的使用教程是什么

PyTorch在Ubuntu上的使用教程

1. 准备工作：更新系统

在安装PyTorch前，确保Ubuntu系统软件包为最新版本，避免兼容性问题：

sudo apt update &
    &
     sudo apt upgrade -y

2. 安装Python与pip

Ubuntu通常预装Python 3，但需确认版本（建议3.6+）并安装pip（Python包管理器）：

sudo apt install python3 python3-pip python3-venv -y

验证安装：

python3 --version  # 查看Python版本
pip3 --version     # 查看pip版本

3. 创建虚拟环境（可选但推荐）

为隔离项目依赖，避免全局包冲突，建议创建虚拟环境：

mkdir pytorch_project &
    &
 cd pytorch_project
python3 -m venv pytorch_env  # 创建虚拟环境
source pytorch_env/bin/activate  # 激活环境（激活后命令行前会显示环境名）

注：退出虚拟环境可使用deactivate命令。

4. 安装PyTorch

PyTorch提供pip和conda两种主流安装方式，需根据是否需要GPU加速选择对应命令。

4.1 使用pip安装

• CPU版本（无GPU加速）：

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

• GPU版本（需NVIDIA GPU+CUDA支持）：
  根据CUDA版本选择对应命令（以CUDA 11.8为例）：

  pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
  

  注：CUDA版本需与GPU驱动兼容，可通过nvidia-smi命令查看驱动支持的CUDA版本。

4.2 使用conda安装（需提前安装Anaconda/Miniconda）

• CPU版本：

  conda install pytorch torchvision torchaudio cpuonly -c pytorch
  

• GPU版本（以CUDA 11.7为例）：

  conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia
  

5. 验证安装

安装完成后，在Python交互环境中验证PyTorch是否安装成功及GPU是否可用：

import torch
print("PyTorch版本:", torch.__version__)  # 打印PyTorch版本
print("CUDA可用性:", torch.cuda.is_available())  # 若为True则表示GPU可用

若输出版本号且torch.cuda.is_available()返回True，则说明安装成功。

6. 配置GPU加速（可选）

若安装了GPU版本的PyTorch，需将模型与数据迁移至GPU以提升计算速度：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  # 自动选择设备
model = Net().to(device)  # 将模型迁移至设备
inputs = inputs.to(device)  # 将输入数据迁移至设备
targets = targets.to(device)  # 将目标数据迁移至设备

注：Net()为用户自定义的模型类，需替换为实际模型。

7. 开始深度学习任务

安装完成后，即可编写PyTorch代码实现深度学习任务。以下是一个简单的全连接神经网络示例：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(784, 128)  # 输入层→隐藏层
        self.fc2 = nn.Linear(128, 10)   # 隐藏层→输出层

    def forward(self, x):
        x = torch.flatten(x, 1)  # 展平输入（如将28x28的图像展平为784维向量）
        x = torch.relu(self.fc1(x))  # 激活函数
        x = self.fc2(x)  # 输出层
        return x

# 初始化模型、损失函数与优化器
model = Net()
criterion = nn.CrossEntropyLoss()  # 交叉熵损失（适用于分类任务）
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 随机梯度下降优化器

# 模拟输入数据（64个样本，每个样本1通道28x28像素）
inputs = torch.randn(64, 1, 28, 28)
targets = torch.randint(0, 10, (64,))  # 64个随机标签（0-9）

# 前向传播
outputs = model(inputs)
loss = criterion(outputs, targets)

# 反向传播与优化
optimizer.zero_grad()  # 清空梯度
loss.backward()  # 反向传播计算梯度
optimizer.step()  # 更新参数

print(f"训练损失: {
loss.item():.4f}
    ")

常见问题解决

• CUDA不可用：检查NVIDIA驱动是否安装（nvidia-smi）、CUDA版本是否匹配（nvcc --version），并重新安装对应版本的PyTorch。
• 依赖冲突：建议使用虚拟环境隔离项目依赖，避免全局安装导致的问题。
• 安装速度慢：可使用国内镜像源（如清华源）加速pip安装，例如：

  pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
  

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！