Ubuntu上如何管理PyTorch依赖项

Ubuntu 上管理 PyTorch 依赖项的实用指南

一 环境隔离与基础准备

• 建议使用 Python 3.8+，并用虚拟环境隔离依赖：
  • venv：

    sudo apt update &
        &
         sudo apt install -y python3 python3-pip python3-venv
    python3 -m venv ~/venvs/pt310
    source ~/venvs/pt310/bin/activate
    pip install -U pip
    

  • conda：

    conda create -n pt310 python=3.10 -y
    conda activate pt310
    

• 系统级依赖（编译/多媒体/线性代数常用库）：

  sudo apt update
  sudo apt install -y build-essential cmake git wget unzip yasm pkg-config \
       libopenblas-dev liblapack-dev libjpeg-dev libpng-dev libtiff-dev \
       libavcodec-dev libavformat-dev libswscale-dev python3-dev
  

• 版本核对：

  python --version
  pip --version
  

二 安装与选择 PyTorch 版本

• 选择策略：优先使用 pip 官方预编译包（含所需 CUDA 运行时），GPU 场景需确保 NVIDIA 驱动与所选 CUDA 版本兼容；CPU 场景直接安装 CPU 版即可。
• 常用安装命令（示例）：
  • CPU 版（Ubuntu 22.04/24.04 通用）：

    pip install torch==2.6.0 torchvision==0.17.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cpu
    

  • GPU 版（CUDA 12.6，Ubuntu 22.04/24.04 常见）：

    pip install torch==2.6.0+cu126 torchvision==0.17.0+cu126 torchaudio==2.6.0+cu126 --index-url https://download.pytorch.org/whl/cu126
    

  • GPU 版（CUDA 12.1，历史版本常见）：

    pip install torch==2.1.0+cu121 torchvision==0.16.0+cu121 torchaudio==2.1.0+cu121 --index-url https://download.pytorch.org/whl/cu121
    

  • conda 方式（CPU）：

    conda install pytorch torchvision torchaudio cpuonly -c pytorch
    

  • conda 方式（GPU，指定 cudatoolkit）：

    conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia
    

• 驱动与兼容性提示：
  • 使用 GPU 版时，系统需安装与所选 CUDA 匹配的 NVIDIA 驱动；可通过 nvidia-smi 查看驱动与 CUDA 运行时信息。
  • 若遇到网络波动，可临时使用国内镜像源（如清华）安装其他 Python 包：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名（PyTorch 官方 whl 建议直连）。
  • 验证安装：

    python - <
        <
        'PY'
    import torch, sys
    print("torch:", torch.__version__, "cuda:", torch.version.cuda, "cudnn:", getattr(torch.backends.cudnn, "version", None))
    print("cuda available:", torch.cuda.is_available())
    print("device count:", torch.cuda.device_count())
    PY
    

三 依赖项管理实践

• 使用 requirements.txt（便于复现与团队协作）：

  # requirements.txt
  torch==2.6.0+cu126
  torchvision==0.17.0+cu126
  torchaudio==2.6.0+cu126
  numpy>
      =1.24
  pandas>
      =2.0
  scikit-learn
  matplotlib
  

  安装与升级：

  pip install -r requirements.txt
  pip install -U -r requirements.txt  # 升级
  pip check                         # 检查冲突
  

• 使用 Poetry（更完善的依赖解析与平台标记）：
  • 初始化与添加依赖（示例，按平台区分 CPU/GPU）：

    poetry init -n
    poetry add torch==2.6.0 --source pytorch-cpu   # CPU 源示例
    poetry add torchvision==0.17.0
    poetry add torchaudio==2.6.0
    

  • 若使用 GPU，可在 pyproject.toml 中为不同平台设置源或版本标记（如 markers 区分 x86_64/aarch64/darwin），便于一套配置多环境复用。
• 版本对齐与兼容矩阵：
  • torch 与 torchvision/torchaudio 需保持小版本一致（如 2.6.x 对应 0.17.x），避免运行时 API 不匹配。
  • 如需从源码构建或扩展插件，需准备 gcc ≥ 7.3.0、cmake ≥ 3.12.0 等编译工具链。

四 常见问题与排查

• 版本冲突与解析失败：
  • 使用独立虚拟环境；用 pip check 与 pipdeptree 定位冲突包；必要时固定次要版本。
• 驱动与 CUDA 不匹配：
  • nvidia-smi 显示的 CUDA Runtime 需与 PyTorch 的 cu126/cu121 等标签匹配；不匹配会导致 torch.cuda.is_available() 为 False。
• 网络与下载失败：
  • 安装 PyTorch 官方 whl 建议直连；其他包可临时使用镜像源（如清华源）提升稳定性。
• 旧版环境迁移：
  • 若系统存在多版本 CUDA，优先使用 pip 预编译包（自带所需 CUDA 运行时），避免与系统 CUDA 产生库路径冲突。

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！