PyTorch在Linux上的使用教程是什么

Linux 上使用 PyTorch 的完整教程

一 环境准备与系统依赖

• 更新系统并安装基础工具（以发行版为准）：
  • Debian/Ubuntu：
    • sudo apt update & & sudo apt upgrade -y
    • sudo apt install -y build-essential cmake git libopenblas-dev liblapack-dev libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev python3-dev python3-pip
  • CentOS/RHEL：
    • sudo yum update -y
    • sudo yum groupinstall -y “Development Tools”
    • sudo yum install -y cmake3 git wget python3 python3-devel python3-pip
• 确认 Python ≥ 3.6 与 pip 可用：python3 --version、pip3 --version；必要时执行 pip3 install --upgrade pip。

二 创建虚拟环境与安装 PyTorch

• 强烈建议使用虚拟环境隔离依赖（任选其一）：
  • venv（轻量）：
    • python3 -m venv pytorch_env
    • source pytorch_env/bin/activate
  • Conda（依赖管理更强）：
    • conda create -n pytorch_env python=3.8
    • conda activate pytorch_env
• 安装命令（按硬件选择其一，优先从官网获取与你环境匹配的命令）：
  • CPU 版：
    • pip：pip3 install torch torchvision torchaudio
    • conda：conda install pytorch torchvision torchaudio cpuonly -c pytorch
  • GPU 版（示例为 CUDA 11.8，请将 cu118 替换为你的 CUDA 大版本）：
    • pip：pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
    • conda：conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia
• 说明：GPU 版本需确保系统已安装与所选 PyTorch 版本匹配的 CUDA/cuDNN；若使用 conda，常用做法是让 conda 管理 cudatoolkit，避免与系统 CUDA 冲突。

三 GPU 支持与驱动检查

• 查看驱动与 CUDA 运行时版本：
  • nvidia-smi（右上显示 Supported/Runtime CUDA）
• 安装与配置要点（仅当使用 NVIDIA GPU 时）：
  • 安装与驱动匹配的 CUDA Toolkit 与 cuDNN，并设置环境变量（示例路径，按实际版本调整）：
    • echo ‘export PATH=/usr/local/cuda-11.7/bin:$PATH’ > > ~/.bashrc
    • echo ‘export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH’ > > ~/.bashrc
    • source ~/.bashrc
  • 选择与 nvidia-smi 显示的 CUDA 大版本一致 的 PyTorch 版本（例如 11.7/11.8），避免不兼容导致 torch.cuda.is_available() 为 False。

四 验证安装与常见问题

• 基础验证（在激活的虚拟环境中执行）：
  • python3 - < < ‘PY’ import torch, torchvision, torchaudio print(“torch:”, torch.version, “torchvision:”, torchvision.version, “torchaudio:”, torchaudio.version) print(“cuda available:”, torch.cuda.is_available()) if torch.cuda.is_available(): print(“device count:”, torch.cuda.device_count()) print(“current device:”, torch.cuda.current_device()) print(“device name:”, torch.cuda.get_device_name()) PY
• 常见问题与处理：
  • 网络慢/超时：使用国内镜像（如清华源）pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名；或 conda 配置清华通道（注意与默认通道的兼容性）。
  • CUDA 不可用：核对 nvidia-smi 与 PyTorch 的 CUDA 大版本一致；如使用 conda 安装 GPU 版，优先使用 cudatoolkit 而非系统 CUDA；必要时重装驱动/cuDNN 并重启。
  • 依赖缺失：按第一节补齐系统库与 Python 开发包；编译/安装额外包时确保已安装 cmake、gcc/g++ 等工具。

五 快速上手示例与常用工具

• 训练一个最小二乘线性模型（验证环境可用）：

  • python3 - < < ‘PY’ import torch import torch.nn as nn import torch.optim as optim

    class LinearModel(nn.Module): def init(self): super().init() self.linear = nn.Linear(1, 1) def forward(self, x): return self.linear(x)

    model = LinearModel() criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01)

    inputs = torch.tensor([[1.0], [2.0], [3.0]]) targets = torch.tensor([[2.0], [4.0], [6.0]])

    for epoch in range(100): outputs = model(inputs) loss = criterion(outputs, targets) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch + 1) % 10 == 0: print(f’Epoch [{ epoch+1} /100], Loss: { loss.item():.4f} ') PY

• 常用工具与 IDE：
  • Jupyter Notebook：pip install notebook；jupyter notebook
  • PyCharm：设置 Project Interpreter 为虚拟环境的解释器（如 pytorch_env/bin/python）
  • VS Code：选择虚拟环境解释器（which python 应指向 venv 或 conda env）
• 常用加速与调试建议：
  • 优先使用 conda 管理二进制依赖，避免 pip 与系统库冲突
  • 固定版本：在 requirements.txt 或 environment.yml 中锁定 torch/torchvision/torchaudio 与 python 版本，便于复现实验。

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！