视觉进阶篇—— PyTorch 安装

文章目录

前言
一、前置准备：环境检查
[二、Conda 安装 PyTorch（推荐新手/环境隔离需求者） ## 2.3 安装 PyTorch（CPU/GPU 版）](## 2.3 安装 PyTorch（CPU/GPU 版）)
- - [**场景 1：CPU 版安装**](#场景 1：CPU 版安装)
  - [**场景 2：GPU 版安装（CUDA 11.8）**](#场景 2：GPU 版安装（CUDA 11.8）)
[三、Pip 安装 PyTorch（适合熟悉 Pip 的用户）](#三、Pip 安装 PyTorch（适合熟悉 Pip 的用户）)
- [3.1 前置条件（GPU 版必看）](#3.1 前置条件（GPU 版必看）)
- [3.2 安装 CPU 版](#3.2 安装 CPU 版)
- [3.3 安装 GPU 版（CUDA 11.8）](#3.3 安装 GPU 版（CUDA 11.8）)
[四、Conda vs Pip：核心区别与选择建议](#四、Conda vs Pip：核心区别与选择建议)
总结

前言

Pytorch和TensorFlow是现在深度学习比较主流的框架，近些年来百度飞浆paddlepaddle框架在OCR识别上有着不错的成果。对于初学者来说，pytorch可以使用几行代码进行训练观察较为友好，并且现在大多模型使用的框架都为pytorch.因此学习安装使用pytorch是非常有必要的。

PyTorch 作为深度学习领域的"顶流框架"，其安装方式灵活多样。本文将针对 Ubuntu 系统 ，详细讲解 CPU 版 与 GPU 版 PyTorch 的安装方法，对比 Conda 与 Pip 两种工具的差异，并总结适用场景，助你避开常见坑点！

一、前置准备：环境检查

在安装前，需确认以下基础环境（以 Ubuntu 20.04 为例）：

显卡驱动
CUDA 工具包
CUDNN
conda环境

二、Conda 安装 PyTorch（推荐新手/环境隔离需求者） ## 2.3 安装 PyTorch（CPU/GPU 版）

访问pytorch主页https://pytorch.org/get-started/locally/

PyTorch 官网提供了自动生成安装命令的工具，可根据需求选择配置：

最新的pytorch官网已经去掉了conda安装的命令选项，我们可以点击历史版本进行conda安装的选择，实际上除了非常前沿的模型，我们更多使用的是pytorch1.x版本而不是现有的pytorch2.x。

往下找可以发现conda安装的pytorch支持到了2.5.1这对于我们竞赛同学来说是绝对够用的。除了本身的pytorch安装，还提供了针对于需要cuda的版本命令，使用该命令安装的pytorch相当于自带了一个可以正常使用的cuda和cudnn环境。

有的时候我们并不希望在本机环境中安装太多cuda版本，conda安装pytorch时会同时下载对应的cuda和cudnn版本并且与本地环境进行隔离，使得我们可以做到类cuda多版本共存。

如果你自己往下滑就会发现pytorch1.x支持的最高CUDA版本为11.7，所以如果你使用的CUDA版本过高，可能不太兼容pytorch1.x

场景 1：CPU 版安装

适合无 GPU 或仅需 CPU 推理的场景（如轻量级模型训练、数据处理）：

bash 复制代码

conda install pytorch torchvision torchaudio cpuonly -c pytorch

如果觉得下载慢，别忘记使用镜像源哦~

场景 2：GPU 版安装（CUDA 11.8）

若显卡支持 CUDA 11.8（如 RTX 3060/4060，驱动 ≥ 520.61.05）：

bash 复制代码

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

说明：

torchvision 和 torchaudio 是 PyTorch 的视觉/音频扩展库，通常与主框架一起安装。
pytorch-cuda=11.8 显式指定 CUDA 版本，Conda 会自动安装匹配的 CUDA 运行时库（无需手动安装系统级 CUDA）。

后续我们会使用yolov5，所以这里我打算使用conda安装带有cuda版本的pytorch1.13.1-cuda11.7

bash 复制代码

#重新创建一个yolov5环境
conda create -n yolov5 python=3.9
conda activate yolov5
conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.7 -c pytorch -c nvidia

-c pytorch -c nvidia

-c 指定安装时的渠道（channel）。

第一条 -c pytorch：从 PyTorch 官方渠道获取 PyTorch、TorchVision、Torchaudio 及对应的 CUDA 变体等包。

第二条 -c nvidia：从 NVIDIA 渠道获取与 CUDA 相关的依赖（如 cudatoolkit、cuDNN 等的兼容版本）。

这两个渠道组合在一起，确保能找到与你指定版本匹配的所有依赖，并尽量避免版本冲突。

使用这两个-c时是使用的pytorch和nvidia仓库的安装包，但是下载速度比较慢。

这个下载速度我可以忍受。

如果大家忍受不了这个速度可以到pytorch仓库找到对应的包进行手动下载
https://conda.anaconda.org/pytorch/linux-64/

然后本地安装

bash 复制代码

conda install /home/moon/Downloads/pytorch-1.13.1-py3.9_cuda11.7_cudnn8.5.0_0.tar.bz2

验证方法.

bash 复制代码

python
import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.version.cuda)

如果大家发现有报错：
OSError: libmkl_intel_lp64.so: cannot open shared object file: No such file or directory

这是缺少了MKL的库文件。Intel MKL（Math Kernel Library，数学核心库）是Intel提供的一组高性能、可扩展的数学库，主要用于科学计算、工程计算、金融分析等领域

pytorch和含一个symbol变量的老版本的mkl不兼容，该版本的mkl在mkl2024.0.0以后被删除，所以只要安装mkl2024.0.0以后版本的mkl即可。

bash 复制代码

#安装缺失的运算库
conda install mkl==2024.0
#找不到库就使用下面的命令指定搜索源，这是Intel专有的
conda install mkl==2024.0 -c defaults --override-channels

ModuleNotFoundError: No module named 'typing_extensions'

诸如此类报错，少啥补啥就行

bash 复制代码

conda/pip install typing_extensions

最后验证结果

第二个反馈必须是True

重要的事情说三遍，否则代表你安装的pytorch无法与你的cuda联系，简单来说就是无法调用你的GPU。GPU版pytorch安装失败，请重新观看教程并重新安装！

三、Pip 安装 PyTorch（适合熟悉 Pip 的用户）

Pip 是 Python 官方包管理器，优势是轻量、依赖 Python 生态，但需手动处理 C/C++ 库依赖（如 CUDA、cuDNN）。

3.1 前置条件（GPU 版必看）

已安装 系统级 CUDA 工具包 （如 CUDA 12.4）和 cuDNN（与 CUDA 版本匹配）。
验证 CUDA 可用：nvcc --version 输出与 PyTorch 兼容的版本。

pip安装虽然也是在conda虚拟环境中，但是在训练代码过程中它需要使用本地的cuda进行训练，因此如果你的cuda是12+的版本，无法直接使用pytorch1.x，只能通过pytorch2.x使用yolov5，虽然无法直接开箱即用但是修改pytorch代码以适配。这也是为什么我更推荐使用conda安装pytorch，这玩意除了占内存以外没啥太多缺点

3.2 安装 CPU 版

直接通过 Pip 安装纯 CPU 版本：

bash 复制代码

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

3.3 安装 GPU 版（CUDA 11.8）

需指定 CUDA 版本的 PyTorch 包（Pip 包名含 cu118 表示 CUDA 11.8）：

bash 复制代码

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
#使用下面这个可以使用清华源等镜像源加速，但是如果cuda不匹配的话会返回false或者其他错误
pip install torch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1

如果你的ubuntu系统中有多个 CUDA 版本，需通过 LD_LIBRARY_PATH 指定 PyTorch 使用的 CUDA 路径（如 export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH），通过之前我写的环境变量控制cuda版本切换可以实现对应cuda的pytorch使用。

四、Conda vs Pip：核心区别与选择建议

维度	Conda	Pip
管理范围	跨语言包（Python/C/C++库）+ 环境	仅 Python 包
依赖解析	自动解决二进制依赖（如 CUDA/cuDNN）	仅解析 Python 依赖，需手动处理 C 库
环境隔离	强（独立环境，不影响系统 Python）	弱（依赖虚拟环境工具如 `venv`）
安装速度	较慢（需下载大体积二进制包）	较快（仅 Python 轮子）
适用场景	多项目隔离、GPU 依赖复杂	轻量级项目、熟悉 Python 生态

总结

看到这里你可能对之前的教程产生了很多怨恨情绪，但是请记住这是不断学习的过程，势必需要推翻一些东西，大家需要有自己的判断和思路，这也是每次我跟同学说，你需要通读全文之后再开始操作的原因。不要害怕重装系统哦~