安装与环境配置

在开始构建深度学习模型之前，您需要配置好 PyTorch 开发环境。这包括安装核心库和设置您的工作区。由于本课程假定您熟悉 Python，我们将侧重于将 PyTorch 集成到标准的 Python 环境中。

选择安装方式：Conda 对比 Pip

PyTorch 可以使用两种主要的包管理工具安装：Conda（Anaconda 或 Miniconda 发行版的一部分）和 Pip（Python 默认的包安装器）。

• Conda： 在数据科学和机器学习场景中常用。Conda 同时管理包和环境，简化了复杂依赖项的处理，包括 GPU 加速所需的非 Python 库，如 CUDA 工具包。如果您已经在使用 Anaconda，这通常是最顺畅的路径。
• Pip： 标准的 Python 包安装器。它运行良好，特别是当您倾向于使用 venv 等工具管理 Python 环境时。如果您需要 GPU 支持，可能需要单独处理 NVIDIA 驱动和 CUDA 工具包的安装。

为了保证可重现性并避免与其他项目冲突，强烈建议将 PyTorch 安装在专门的虚拟环境中，无论您选择 Conda 还是 Pip。

安装决策流程图，总结了 Conda 和 Pip 之间的选择，考虑了 GPU 要求，并以验证结束。

安装步骤

确切的安装命令取决于您的操作系统（Linux、macOS、Windows）、包管理工具（Conda、Pip）以及您需要仅支持 CPU 还是支持 GPU (CUDA)。

最佳做法是始终查阅 PyTorch 官方网站 (pytorch.org)，获取最新的安装命令生成器。选择您的偏好，它将提供确切的运行命令。

1. 使用 Conda

首先，创建并激活一个新的 Conda 环境（将 pytorch_env 替换为您喜欢的名称并选择合适的 Python 版本）：

# 创建环境
conda create -n pytorch_env python=3.9 # Or 3.8, 3.10, etc.

# 激活环境
conda activate pytorch_env

现在，访问 PyTorch 网站，选择您的操作系统、Conda、Python 版本和所需的 CUDA 版本（或 CPU）。复制生成的命令。它看起来会像这样（仅为示例，请从官网获取最新命令！）：

# CUDA 11.8 的 Conda 命令示例
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 仅限 CPU 的 Conda 命令示例
conda install pytorch torchvision torchaudio cpuonly -c pytorch

在您已激活的 Conda 环境中运行网站提供的命令。

2. 使用 Pip

首先，使用 venv 创建并激活一个新的虚拟环境：

# 创建环境（在您的项目目录中）
python -m venv pytorch_env

# 激活环境
# Linux/macOS:
source pytorch_env/bin/activate
# Windows (命令提示符):
.\pytorch_env\Scripts\activate
# Windows (PowerShell):
.\pytorch_env\Scripts\Activate.ps1

接下来，访问 PyTorch 网站，选择您的操作系统、Pip、Python 版本和所需的 CUDA 版本（或 CPU）。复制生成的命令。它通常会涉及指定一个索引 URL 和可能的 CUDA 版本（仅为示例，请从官网获取最新命令！）：

# CUDA 11.8 的 Pip 命令示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 仅限 CPU 的 Pip 命令示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

在您已激活的虚拟环境中运行网站提供的命令。确保您的 pip 已更新到最新版本（pip install --upgrade pip）。

GPU 支持 (CUDA)

深度学习计算，特别是矩阵乘法，在使用 CUDA 并行计算平台的 NVIDIA GPU 上运行速度明显加快。

• 要求： 您需要一块支持 CUDA 的 NVIDIA GPU。
• 驱动和工具包： 您必须在安装支持 CUDA 的 PyTorch 版本之前，在系统上安装相应的 NVIDIA 显示驱动程序和 CUDA 工具包。所需的 CUDA 工具包版本必须与 PyTorch 构建时所用的版本匹配（例如，11.7、11.8、12.1）。Conda 可能会为您处理工具包的安装，而使用 Pip 时，您通常需要先在系统范围内安装它。请参阅 NVIDIA 的文档和 PyTorch 安装指南以获取具体信息。
• 安装命令： 当使用 PyTorch 网站的命令生成器时，选择 CUDA 版本将定制命令以安装 GPU 兼容的二进制文件。

如果您没有兼容的 GPU 或初期不需要 GPU 加速，只需在安装时选择“CPU”选项。您可以在 CPU 上执行所有操作，尽管对于大型模型来说可能会慢一些。

验证安装

安装完成后，您可以通过打开 Python 解释器（在您已激活的虚拟环境中）并运行以下代码来验证安装：

import torch

# 检查 PyTorch 版本
print(f"PyTorch Version: {torch.__version__}")

# 检查 CUDA（GPU 支持）是否可用
cuda_available = torch.cuda.is_available()
print(f"CUDA Available: {cuda_available}")

if cuda_available:
    # 获取可用 GPU 的数量
    print(f"Number of GPUs: {torch.cuda.device_count()}")
    # 获取当前 GPU 的名称
    print(f"Current GPU Name: {torch.cuda.get_device_name(torch.cuda.current_device())}")
else:
    print("PyTorch is using CPU.")

# 创建一个简单的张量
x = torch.rand(2, 3)
print("成功创建了一个张量:")
print(x)

如果这些命令运行无误并报告了正确的版本和 CUDA 状态（如果您安装了 GPU 版本并且硬件/驱动程序已设置好则为 True，否则为 False），您的安装就成功了。

环境配置注意事项

• 一致性： 在开始 PyTorch 项目或运行脚本之前，请务必激活您的专用 pytorch_env（或您命名的其他环境）。
• 常用库： 您通常会搭配 PyTorch 使用其他库。使用 conda install <package> 或 pip install <package> 将它们安装到相同的环境中：
  • numpy：用于数值操作和与其他库的接口。
  • matplotlib 或 seaborn：用于绘图和可视化。
  • scikit-learn：用于传统机器学习任务和实用工具。
  • jupyterlab 或 notebook：用于交互式开发。
• IDE： 将您的集成开发环境 (IDE)，如 VS Code 或 PyCharm，配置为使用位于虚拟环境中的 Python 解释器。这可确保代码自动补全和调试功能与 PyTorch 正常协作。

PyTorch 安装完毕且环境配置好后，您现在就可以开始学习其核心部分：张量。