PyTorch 2025 超详细安装指南：从 CPU/GPU 版本选择到环境配置避坑

1次阅读

共计 1988 个字符，预计需要花费 5 分钟才能阅读完成。

PyTorch 作为当前主流的深度学习框架之一，其安装过程却常常成为初学者的第一道门槛。以下是新手最常见的几类问题：

版本混淆问题 ：PyTorch 官网提供 Nightly、Stable、LTS 等多个版本分支，新手容易选错版本导致后续兼容性问题
CUDA 匹配问题 ：GPU 版本需要严格匹配 NVIDIA 驱动、CUDA Toolkit 和 cuDNN 的版本组合，任何一环不匹配都会导致无法调用 GPU
环境污染问题 ：直接安装在系统 Python 环境中可能导致依赖冲突，影响其他项目的正常运行
验证困难 ：安装后无法快速验证 GPU 是否真正可用

CPU 版本
优点：无需额外硬件支持，安装简单，适合轻量级学习或推理任务
缺点：训练速度慢，无法处理大规模矩阵运算
适用场景：入门学习、简单模型推理、无 NVIDIA GPU 的设备
GPU 版本
优点：利用 CUDA 加速计算，训练速度可提升 10-50 倍
缺点：安装复杂，需要 NVIDIA 显卡和配套驱动
适用场景：模型训练、大规模数据处理、需要性能优化的场景

建议使用 Miniconda 或 Anaconda 创建独立环境，避免污染系统 Python 环境：

# 创建名为 pytorch_env 的 Python 3.9 环境
conda create -n pytorch_env python=3.9

# 激活环境
conda activate pytorch_env

PyTorch 官方提供了安装命令生成器（https://pytorch.org/get-started/locally/），这是最可靠的安装源。2025 年最新推荐命令如下：

CPU 版本安装

conda install pytorch torchvision torchaudio cpuonly -c pytorch

GPU 版本安装

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

安装完成后，启动 Python 解释器执行以下验证代码：

import torch

# 打印 PyTorch 版本
print(torch.__version__)

# 检查 CUDA 是否可用（GPU 版本专用）print(torch.cuda.is_available())

# 查看 GPU 设备名称（如果可用）if torch.cuda.is_available():
    print(torch.cuda.get_device_name(0))

预期输出示例（GPU 版本）：

2.2.0+cu121
True
NVIDIA GeForce RTX 4090

现象：torch.cuda.is_available() 返回 False

解决方案 ：
1. 确认 NVIDIA 驱动已安装且版本匹配
2. 运行 nvidia-smi 查看驱动版本和 CUDA 版本
3. 确保安装的 PyTorch CUDA 版本与系统 CUDA Toolkit 一致

现象：安装后导入 torch 报错或运行异常

解决方案 ：
1. 始终在虚拟环境中安装
2. 出现冲突时，可以尝试 conda clean --all 后重新安装

现象：conda 或 pip 安装时下载超时

解决方案 ：
1. 更换国内镜像源（如清华、阿里云）
2. 使用 -i 参数指定镜像源：

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

要成功运行 PyTorch GPU 版本，需满足以下硬件和软件要求：

硬件要求
NVIDIA 显卡（建议 RTX 20 系列及以上）
显存 ≥ 4GB（训练中等模型建议 ≥ 8GB）
软件要求
最新版 NVIDIA 驱动（通过 nvidia-smi 可查看）
匹配的 CUDA Toolkit（2025 年推荐 CUDA 12.1）
对应版本的 cuDNN（通常 conda 会自动安装）

运行以下简单张量运算代码，观察 CPU 和 GPU 的计算速度差异：

import torch
import time

# 创建一个大型随机矩阵
x = torch.randn(10000, 10000)

# CPU 版本计算
start_time = time.time()
_ = x @ x.t()
print(f"CPU 耗时: {time.time() - start_time:.2f} 秒")

# 如果有 GPU，转移到 GPU 计算
if torch.cuda.is_available():
    x = x.cuda()
    start_time = time.time()
    _ = x @ x.t()
    torch.cuda.synchronize()  # 等待 CUDA 操作完成
    print(f"GPU 耗时: {time.time() - start_time:.2f} 秒")

欢迎在评论区分享你的运行结果和硬件配置！

正文完