Windows 下 PyTorch 环境搭建指南

目录

1. 环境介绍
2. 安装前准备
3. 安装教程
4. 环境验证
5. 常见问题与解决方案
6. 使用教程与资源
7. 代码示例

---

一、环境介绍

PyTorch 系统要求

• 操作系统：Windows 10/11 64位
• Python 版本：3.9 - 3.13（不支持 Python 2.x）
• 官方资源 ：
  • PyTorch 官网
  • 历史版本
  • 稳定版仓库

推荐配置参考

组件	推荐配置	说明
CPU	Intel i7 或同级以上	建议 8 核心以上
显卡	NVIDIA RTX 2060 及以上	显存建议 8GB+
操作系统	Windows 10/11 64位	确保系统更新到最新版本
Anaconda	最新版本	便于环境管理
CUDA Toolkit	11.8 / 12.1 / 12.6	根据显卡驱动选择
cuDNN	8.x 系列	与 CUDA 版本匹配
Python	3.10 / 3.11	稳定性较好
PyTorch	2.2.2 / 2.8.0	根据需求选择稳定版或最新版

---

二、安装前准备

1. 检查显卡驱动

在安装 CUDA 之前，请确保显卡驱动已更新到最新版本：

# Windows 命令行查看显卡信息
nvidia-smi

2. 确定 CUDA 版本

# 查看已安装的 CUDA 版本
nvcc -V

3. 版本匹配参考

PyTorch 版本	CUDA 版本	Python 版本	适用场景
2.8.0	12.6	3.11+	最新特性，新显卡
2.2.2	12.1	3.10-3.11	稳定版本，兼容性好
2.2.2	11.8	3.8-3.11	旧显卡，广泛兼容
2.2.2	CPU	3.8-3.11	无独立显卡

---

三、安装教程

方案一：使用 Conda 安装（推荐）

# 创建新环境
conda create -n pytorch python=3.11
conda activate pytorch

# CUDA 11.8 版本
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=11.8 -c pytorch -c nvidia

# CUDA 12.1 版本
conda install pytorch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 pytorch-cuda=12.1 -c pytorch -c nvidia

# CUDA 12.6 版本
conda install pytorch torchvision torchaudio pytorch-cuda=12.6 -c pytorch -c nvidia

方案二：使用 Pip 安装

# CUDA 11.8
pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 --index-url https://download.pytorch.org/whl/cu118

# CUDA 12.1
pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 --index-url https://download.pytorch.org/whl/cu121

# CUDA 12.6
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126

# CPU 版本（无显卡）
pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 --index-url https://download.pytorch.org/whl/cpu

方案三：使用国内镜像源加速

# 清华镜像源
pip install torch==2.2.2 torchvision==0.17.2 torchaudio==2.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装常用依赖
pip install facenet-pytorch -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install numpy==1.26.4 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装 dlib（需要 conda）
conda install -c conda-forge dlib

# 安装 face-recognition
pip install face-recognition -i https://pypi.tuna.tsinghua.edu.cn/simple

Conda 常用命令

# 搜索可用版本
conda search pytorch -c pytorch
conda search pytorch-cuda -c pytorch -c nvidia

# 查看通道配置
conda config --show

# 添加通道
conda config --add channels 通道地址

# 删除环境
conda remove --name 环境名称 --all
conda remove --prefix 路径 --all

# 卸载包
pip uninstall torch torchvision torchaudio

# 查看已安装包
conda list

---

四、环境验证

1. 快速验证

# 命令行验证
python -c "import torch; print(torch.__version__)"
python -c "import torch; print(torch.cuda.is_available())"

2. Python 脚本验证

import torch

print(f"PyTorch 版本：{torch.__version__}")
print(f"CUDA 可用：{torch.cuda.is_available()}")

if torch.cuda.is_available():
    print(f"CUDA 版本：{torch.version.cuda}")
    print(f"GPU 数量：{torch.cuda.device_count()}")
    print(f"当前 GPU：{torch.cuda.get_device_name(0)}")

3. CPU 测试

import torch

# 创建随机张量
x = torch.rand(5, 3)
print(x)
print(f"设备：{x.device}")

4. GPU 完整测试

import torch
import torch.nn as nn

# 检查 CUDA 是否可用
if torch.cuda.is_available():
    device = torch.device("cuda")
    print("✓ 运行在 GPU 上")
else:
    device = torch.device("cpu")
    print("✓ 运行在 CPU 上")

# 创建模型并移动到设备
model = nn.Linear(10, 5).to(device)

# 创建输入数据
x = torch.randn(3, 10).to(device)

# 执行前向传播
output = model(x)

print(f"输出设备：{output.device}")
print(f"输出形状：{output.shape}")
print(f"输出值：\n{output}")

---

五、常见问题与解决方案

问题 1：torch.accelerator 属性错误

错误信息：

AttributeError: module 'torch' has no attribute 'accelerator'

原因 ：torch.accelerator 属性在低版本 PyTorch 中未定义。

解决方案：

# ❌ 错误写法
device = torch.accelerator.current_accelerator().type if torch.accelerator.is_available() else "cpu"

# ✅ 正确写法 1
device = "cuda" if torch.cuda.is_available() else "cpu"

# ✅ 正确写法 2
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)  # 输出：cuda:0 或 cpu

问题 2：CUDA 版本不匹配

症状 ：安装后 torch.cuda.is_available() 返回 False

解决方案：

1. 检查显卡驱动版本是否支持所选 CUDA 版本

2. 重新安装匹配的 CUDA Toolkit

3. 使用以下命令确认：

   nvidia-smi  # 查看驱动支持的最高 CUDA 版本

问题 3：安装速度慢

解决方案：

# 使用清华镜像
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名

# 使用阿里镜像
pip install -i https://mirrors.aliyun.com/pypi/simple/ 包名

# 配置永久镜像源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

问题 4：dlib 安装失败

解决方案：

# 先安装 CMake
conda install -c conda-forge cmake

# 再安装 dlib
conda install -c conda-forge dlib

# 最后安装 face-recognition
pip install face-recognition

问题 5：环境冲突

解决方案：

# 完全卸载
pip uninstall torch torchvision torchaudio

# 清理缓存
pip cache purge

# 重新创建环境
conda remove --name pytorch --all
conda create -n pytorch python=3.11
conda activate pytorch

---

六、使用教程与资源

官方教程

• PyTorch 官方教程
• 快速入门指南
• PyTorch 官方文档

中文资源

• PyTorch 官方教程中文版
• PyTorch 中文文档
• 菜鸟教程 - PyTorch

视频教程

• Bilibili PyTorch 教程

社区资源

• 知乎 PyTorch 讨论
• CSDN PyTorch 专栏
• 博客园教程

---

七、代码示例

官方代码仓库

• PyTorch 主仓库
• 官方示例代码
• 教程示例

基础示例

# 1. 张量操作
import torch

x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])
print(x + y)  # 张量加法

# 2. 自动求导
x = torch.tensor([2.0], requires_grad=True)
y = x ** 2
y.backward()
print(x.grad)  # 输出：4.0

# 3. 神经网络
import torch.nn as nn

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = Net()
print(model)

---

附录：版本选择建议

使用场景	推荐配置
学习入门	PyTorch 2.2.2 + CUDA 11.8 + Python 3.10
生产环境	PyTorch 2.2.2 + CUDA 12.1 + Python 3.11
最新特性	PyTorch 2.8.0 + CUDA 12.6 + Python 3.11+
无独立显卡	PyTorch CPU 版本 + Python 3.11
旧显卡支持	PyTorch 2.2.2 + CUDA 11.2 + Python 3.9

---

提示：建议定期关注 PyTorch 官方更新，及时升级以获得更好的性能和安全性。如有问题，优先查阅官方文档或在社区寻求帮助。