趋近智
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。
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)。
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。
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)。
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。
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。
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。
pytorch_env(或您命名的其他环境)。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。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。
这部分内容有帮助吗?
© 2026 ApX Machine Learning用心打造