如何在Ubuntu上构建PyTorch开发环境

在 Ubuntu 上构建 PyTorch 开发环境的实操指南

一 准备与系统检查

• 更新系统并安装基础工具：
  • sudo apt update & & sudo apt upgrade -y
  • sudo apt install -y build-essential cmake git python3 python3-pip
• 确认 GPU 与驱动（有 NVIDIA 显卡时）：
  • 自动安装推荐驱动：sudo ubuntu-drivers autoinstall & & sudo reboot
  • 查看驱动与最高支持的 CUDA Runtime：nvidia-smi（右上显示 Supported/Runtime CUDA，如：12.0）
  • 说明：该 CUDA 版本表示驱动可支持的最高运行时，并不强制要求安装同版本的 CUDA Toolkit；PyTorch 官方预编译包通常向下兼容，例如驱动支持 12.0 也可选用 CUDA 11.8 的 PyTorch 包。

二 选择并创建虚拟环境

• 方案 A Miniconda（推荐，依赖解析与二进制兼容更好）
  • 安装 Miniconda：
    • wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
    • bash Miniconda3-latest-Linux-x86_64.sh（安装时选择初始化，或完成后执行 conda init）
    • 可选：conda config --set auto_activate_base false
  • 创建环境并指定 Python 版本（建议 3.9/3.10/3.11）：
    • conda create -n torch-dev python=3.10 -y
    • conda activate torch-dev
• 方案 B 系统 Python + venv（轻量）
  • python3 -m venv ~/venvs/torch-dev
  • source ~/venvs/torch-dev/bin/activate
  • pip install -U pip setuptools wheel

三 安装 PyTorch

• GPU 版（使用 Conda，自动携带 cuDNN/NCCL 等依赖，强烈推荐）
  • 选择与驱动匹配的 CUDA 版本（示例为 11.8）：
    • conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
• CPU 版（无 NVIDIA GPU 或仅需 CPU 训练/推理）
  • conda install pytorch torchvision torchaudio cpuonly -c pytorch
• 备选方案（使用 Pip，需自行保证 CUDA/cuDNN 与 PyTorch 版本匹配）
  • CPU：pip install torch torchvision torchaudio
  • GPU：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
• 版本选择提示：
  • 若 nvidia-smi 显示 CUDA 12.x，优先尝试 cu118 的 PyTorch 预编译包（向下兼容）；若遇到兼容性问题，再考虑安装对应 CUDA 12.x 的 PyTorch 版本或切换至 CPU 版。

四 验证与环境诊断

• 基础验证：
  • python - < < ‘PY’ import torch, sys print(“PyTorch:”, torch.version, “CUDA available:”, torch.cuda.is_available()) if torch.cuda.is_available(): print(“CUDA runtime:”, torch.version.cuda) print(“Device count:”, torch.cuda.device_count()) print(“Current device:”, torch.cuda.current_device()) print(“Device name:”, torch.cuda.get_device_name()) PY
• 常见问题速查
  • torch.cuda.is_available() 为 False
    • 检查驱动：nvidia-smi 是否能正常显示 GPU 与 CUDA Runtime
    • 检查环境：当前是否在正确的 conda/venv 中，且安装的是 GPU 版包
    • 检查版本匹配：驱动支持的 CUDA 与 PyTorch 的 CUDA 版本是否兼容（如驱动 12.0 可配 cu118 的 PyTorch）
    • 若使用系统 CUDA/cuDNN，确认库路径（如 /usr/local/cuda/lib64）已加入环境变量（LD_LIBRARY_PATH）。

五 常用开发工具与后续建议

• 常用工具
  • Jupyter：conda install jupyter（便于交互式实验与可视化调试）
  • 调试与性能分析：pip install ipython numpy matplotlib scikit-learn
• 环境管理建议
  • 为每个项目单独创建环境（不同 Python 与 PyTorch/CUDA 版本）
  • 使用 conda 或 requirements.txt 记录依赖，保证可复现
  • 定期更新 conda/pip，谨慎跨大版本升级 PyTorch 与 CUDA 组合。

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！