企业官网建设流程全解析

1. 为什么 PyTorch 安装这件事值得单独写一篇

如果你刚接触深度学习，大概率会遇到这样一个场景：跟着教程敲了几行代码，结果第一句import torch就报错，然后开始在各种论坛里翻帖子，折腾一整个下午，最后发现是版本对不上。这不是你笨，而是 PyTorch 的安装确实有几个容易踩的坑——它不像pip install requests那样装完就能用，背后牵扯到 Python 版本、CUDA 驱动、显卡算力、操作系统差异等一连串变量。

我前后在 Windows、Linux、macOS 三种系统上装过不下二十次 PyTorch，从最早用 conda 装到后来用 pip 装，从 CPU 版本到各种 CUDA 版本，踩过的坑基本能写一本小册子。这篇文章就是把这些经验整理出来，从环境判断、安装方式选择、到装完之后的验证，一步步讲清楚。不管你是刚入门的新手，还是换了新机器需要重新配环境的老手，都能从这里找到可以直接抄作业的方案。

核心关键词就三个：PyTorch、安装、验证。但我想聊的不只是"怎么装"，更重要的是"为什么这么装"以及"装完怎么确认它真的能用"。很多人装完看到import torch不报错就以为万事大吉，结果跑模型的时候才发现 GPU 根本没用上，这种问题在验证环节就能提前发现。

2. 装之前先搞清楚：你的环境到底适合哪种装法

2.1 三种安装方式的本质区别

PyTorch 官方提供的安装方式主要有三种：conda、pip、以及从源码编译。对绝大多数人来说，前两种就够了，源码编译只在特殊需求下才用。

conda 安装的优势在于它会帮你管理 CUDA 运行时和 cuDNN 这些底层依赖，你不需要单独去装 CUDA Toolkit。缺点是 conda 的包体积大，环境创建慢，而且有时候国内下载速度感人。pip 安装的优势是快、轻量，PyTorch 官方从 1.13 之后对 pip 的支持已经非常完善，pip 装的 wheel 包里已经包含了 CUDA 运行时，同样不需要你单独装 CUDA Toolkit。缺点是它不管你的 Python 环境隔离，你得自己用 venv 或者 conda 创建虚拟环境。

我个人的建议是：如果你已经在用 conda 管理环境，那就继续用 conda 装；如果你习惯用 venv + pip，那就用 pip 装。两者没有绝对优劣，关键是别混着用——在 conda 环境里用 pip 装 PyTorch 有时候会出现依赖冲突，这个后面会细说。

2.2 先确认你的显卡和驱动情况

这一步很多人会跳过，但它恰恰是最关键的。你得先知道自己有没有 NVIDIA 显卡、驱动版本是多少、支持的最高 CUDA 版本是多少。

在 Windows 上，打开命令行输入：

nvidia-smi

在 Linux 上同样：

nvidia-smi

这个命令会输出一个表格，右上角会显示CUDA Version: 12.x这样的信息。注意，这个 CUDA Version 指的是你的驱动支持的最高 CUDA 版本，不是你已经安装的 CUDA 版本。比如显示 12.4，意味着你可以安装任何 CUDA 版本 ≤ 12.4 的 PyTorch。

如果没有 NVIDIA 显卡，或者nvidia-smi命令找不到，那你就只能装 CPU 版本。CPU 版本也能跑模型，只是训练速度会慢很多，做推理或者学习阶段完全够用。

提示：AMD 显卡和 Apple Silicon 芯片的情况不同。Mac 的 M 系列芯片用 MPS 加速，安装时选对应版本即可；AMD 显卡在 Windows 上支持有限，建议直接用 CPU 版本或者考虑 Linux 环境。

2.3 Python 版本的选择

PyTorch 对 Python 版本有要求，太新或太旧都可能装不上。截至我写这篇文章的时候，PyTorch 2.x 系列支持的 Python 版本大致是 3.9 到 3.12。Python 3.13 刚出来那会儿，很多包还没跟上，装 PyTorch 会报找不到对应 wheel 的错误。

我的建议是用 Python 3.10 或 3.11，这两个版本兼容性最好，社区支持也最完善。如果你系统里装的是 3.12，一般也没问题。但如果你用的是 3.8 或更早的版本，建议升级，因为新版本的 PyTorch 已经不再支持了。

检查 Python 版本：

python --version

或者：

python3 --version

3. 手把手实操：从零到跑通第一个张量

3.1 创建独立的虚拟环境

不管你用 conda 还是 venv，第一步都是创建独立环境。这一步的意义在于把 PyTorch 的依赖和你系统里其他项目的依赖隔离开，避免版本冲突。

用 conda 的话：

conda create -n pytorch_env python=3.11 conda activate pytorch_env

用 venv 的话：

python -m venv pytorch_env # Windows pytorch_env\Scripts\activate # Linux/macOS source pytorch_env/bin/activate

创建完之后，命令行前面会出现(pytorch_env)这样的标识，说明你已经进入虚拟环境了。后面所有的安装操作都在这个环境里进行。

注意：如果你在 Windows 上执行conda activate时报"无法将 conda 项识别"的错误，说明 conda 没有加到系统 PATH 里。解决办法是打开 Anaconda Prompt 而不是普通的 cmd 或 PowerShell，或者手动把 conda 的路径加到环境变量里。

3.2 选择正确的安装命令

这是最容易出错的一步。PyTorch 官网的安装页面会根据你选择的选项生成对应的命令，但很多人不看选项直接复制粘贴，结果装了个 CPU 版本还纳闷为什么 GPU 用不了。

我以几个常见场景为例，给出具体的命令。

场景一：Windows + NVIDIA 显卡 + CUDA 12.1 + pip

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

场景二：Linux + NVIDIA 显卡 + CUDA 12.1 + pip

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

场景三：macOS + Apple Silicon + pip

pip install torch torchvision torchaudio

场景四：纯 CPU 版本 + pip

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

场景五：用 conda 安装 CUDA 12.1 版本

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

这里解释一下几个关键点。--index-url指定的是 PyTorch 官方的 wheel 下载源，不同 CUDA 版本对应不同的 URL 后缀，比如 cu118 对应 CUDA 11.8，cu121 对应 CUDA 12.1，cu124 对应 CUDA 12.4。如果你不指定--index-url，pip 默认从 PyPI 下载，PyPI 上的版本通常是 CPU 版本或者默认 CUDA 版本，不一定符合你的需求。

torchvision和torchaudio是 PyTorch 的配套库，分别处理视觉和音频任务。即使你暂时用不到，也建议一起装上，因为很多第三方库会依赖它们。

3.3 国内下载慢的解决办法

PyTorch 的 wheel 包体积很大，CUDA 版本动辄两三个 GB，从官方源下载在国内可能会很慢甚至超时。这时候可以用国内镜像源加速。

清华源的使用方式：

pip install torch torchvision torchaudio --index-url https://pypi.tuna.tsinghua.edu.cn/simple

但要注意，清华源同步的通常是 CPU 版本或者默认版本，如果你需要特定 CUDA 版本，可能还是得从官方源下载。另一种做法是先用官方源下载，配合--timeout参数延长超时时间：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 --timeout 300

如果下载中断了，pip 支持断点续传，重新执行同样的命令即可，已经下载的部分不会重新下。

实操心得：我一般会先用pip download把 wheel 包下载到本地，再用pip install从本地安装。这样即使网络不稳定，也不会影响安装过程。命令是pip download torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 -d ./wheels，下载完再pip install --no-index --find-links=./wheels torch torchvision torchaudio。

3.4 安装后的目录结构

装完之后，你可以用pip show torch看一下安装位置和版本信息：

pip show torch

输出会包含 Name、Version、Location 等信息。Location 指向的就是 PyTorch 安装的目录，通常在虚拟环境的site-packages下面。你可以进去看看，会发现 torch 目录下有lib文件夹，里面包含了 CUDA 相关的动态链接库（如果是 GPU 版本的话）。这也是为什么 pip 装的 GPU 版本不需要单独装 CUDA Toolkit——运行时库已经打包在里面了。

4. 验证环节：不只看 import 成不成功

4.1 基础验证：版本和 CUDA 可用性

装完之后，打开 Python 交互环境，依次执行以下代码：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.device_count()) print(torch.cuda.get_device_name(0))

这几行代码分别检查：PyTorch 版本号、CUDA 是否可用、可用 GPU 数量、第一块 GPU 的名称。

如果torch.cuda.is_available()返回True，说明 GPU 版本安装成功。如果返回False，但你有 NVIDIA 显卡，那可能是以下几种情况：装的是 CPU 版本、驱动版本太低、CUDA 版本和驱动不匹配。

如果torch.cuda.device_count()返回 0，同样说明 CUDA 不可用。如果返回大于 1 的数字，说明你有多个 GPU，可以用torch.cuda.get_device_name(i)逐个查看。

4.2 进阶验证：实际跑一个 GPU 运算

is_available()返回 True 只是第一步，真正要确认 GPU 能干活，得实际跑一个运算：

import torch # 创建一个张量并移到 GPU 上 x = torch.randn(1000, 1000).cuda() y = torch.randn(1000, 1000).cuda() # 做矩阵乘法 z = torch.matmul(x, y) # 把结果移回 CPU 并打印 print(z.sum().item()) print(z.device)

如果这段代码能正常跑完并输出结果，说明 GPU 运算链路是通的。z.device应该输出cuda:0，表示结果在 GPU 上。

你还可以进一步测试显存占用：

print(torch.cuda.memory_allocated()) print(torch.cuda.max_memory_allocated())

这两个函数分别返回当前分配的显存和峰值显存，单位是字节。跑完上面的矩阵乘法后，应该能看到非零的数值。

4.3 验证 cuDNN 是否可用

cuDNN 是 NVIDIA 的深度神经网络加速库，PyTorch 在跑卷积等操作时会用到它。验证方式：

print(torch.backends.cudnn.is_available()) print(torch.backends.cudnn.version())

如果返回 True 和一个版本号，说明 cuDNN 正常。如果返回 False，可能是安装的 PyTorch 版本没有打包 cuDNN，或者 CUDA 版本不匹配。

4.4 验证常见问题速查表

5. 那些年我踩过的坑和独家经验

5.1 conda 和 pip 混用的坑

这是我最想强调的一点。在 conda 环境里用 pip 装 PyTorch，有时候会出现这样的情况：pip 装的 PyTorch 依赖某个版本的 numpy，但 conda 环境里已经装了另一个版本的 numpy，结果 import 的时候报错，或者跑着跑着出现奇怪的段错误。

原因是 conda 和 pip 各自维护一套依赖解析机制，它们互相不知道对方装了什么。解决办法是：在一个环境里只用一种包管理器。如果你用 conda 创建的环境，就全部用 conda 装；如果你习惯 pip，就用 venv 创建环境，全部用 pip 装。

如果已经混用了并且出了问题，最干净的做法是删掉环境重建：

conda remove -n pytorch_env --all conda create -n pytorch_env python=3.11 conda activate pytorch_env # 然后只用 conda 装 conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

5.2 驱动版本和 CUDA 版本的对应关系

很多人搞不清楚驱动版本、CUDA 版本、PyTorch 版本之间的关系。我用一个生活化的类比来解释：驱动就像是你的手机系统，CUDA 就像是某个 App 的版本，PyTorch 就是那个 App。手机系统太旧，装不了新版 App；App 版本太高，旧系统也跑不起来。

具体来说，nvidia-smi显示的 CUDA Version 是你的驱动支持的最高 CUDA 版本。你可以安装任何不高于这个版本的 CUDA 对应的 PyTorch。比如显示 12.4，你可以装 cu121、cu118，但不能装 cu124 以上的。

如果你不确定该装哪个版本，一个简单的原则是：装比驱动支持的最高版本低一到两个小版本的 CUDA。比如驱动支持 12.4，那就装 cu121，这样兼容性最稳。

5.3 Windows 上的路径和权限问题

Windows 用户经常会遇到两个问题。一是路径里有中文或空格，导致某些包安装失败。解决办法是把虚拟环境建在纯英文、无空格的路径下，比如D:\envs\pytorch_env。

二是权限问题，pip 安装时提示 Permission denied。这通常是因为没有用管理员权限，或者目标目录被占用。解决办法是右键以管理员身份运行命令行，或者加上--user参数装到用户目录。

还有一个 Windows 特有的坑：如果你之前装过 CUDA Toolkit，系统 PATH 里可能有旧版本的 CUDA 路径，导致 PyTorch 加载了错误的动态链接库。检查方式是echo %PATH%，看看有没有多个 CUDA 路径。如果有，把不需要的删掉，或者调整顺序。

5.4 验证时容易忽略的细节

很多人验证只跑import torch和torch.cuda.is_available()，看到 True 就结束了。但实际上还有几个细节值得检查。

第一，确认torch.version.cuda和你预期的一致：

print(torch.version.cuda)

这个输出的是 PyTorch 编译时使用的 CUDA 版本，应该和你安装时选择的版本一致。如果装的是 cu121，这里应该显示 12.1。

第二，确认torch.cuda.get_device_capability()返回的算力等级：

print(torch.cuda.get_device_capability(0))

这个返回一个元组，比如(8, 6)表示算力 8.6。不同的 GPU 算力等级不同，某些新版本的 PyTorch 可能不再支持太老的算力等级。如果你的 GPU 算力太低，可能需要装旧版本的 PyTorch。

第三，跑一个简单的训练循环，确认反向传播也能正常工作：

import torch import torch.nn as nn model = nn.Linear(10, 1).cuda() optimizer = torch.optim.SGD(model.parameters(), lr=0.01) x = torch.randn(32, 10).cuda() y = torch.randn(32, 1).cuda() for i in range(10): optimizer.zero_grad() output = model(x) loss = nn.MSELoss()(output, y) loss.backward() optimizer.step() print(f"Step {i}, Loss: {loss.item():.4f}")

这段代码跑通，说明前向传播、反向传播、参数更新整条链路都没问题。

5.5 关于镜像验证和功能验证的补充

热词里提到了"镜像验证"和"功能验证"，这两个概念在 PyTorch 安装场景下可以这样理解。镜像验证指的是确认你下载的 wheel 包来源可靠、没有被篡改。pip 默认会校验包的哈希值，但如果你从非官方源下载，建议手动核对一下。功能验证就是我上面说的那些——不只是 import 成功，还要实际跑运算、跑训练循环，确认各个功能模块都正常。

我一般会写一个简单的验证脚本，每次装完新环境就跑一遍：

import torch def verify_pytorch(): print(f"PyTorch version: {torch.__version__}") print(f"CUDA available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"CUDA version: {torch.version.cuda}") print(f"cuDNN available: {torch.backends.cudnn.is_available()}") print(f"cuDNN version: {torch.backends.cudnn.version()}") print(f"GPU count: {torch.cuda.device_count()}") for i in range(torch.cuda.device_count()): print(f"GPU {i}: {torch.cuda.get_device_name(i)}") print(f" Capability: {torch.cuda.get_device_capability(i)}") # 实际运算测试 x = torch.randn(100, 100).cuda() y = torch.randn(100, 100).cuda() z = torch.matmul(x, y) print(f"GPU matmul test passed, result device: {z.device}") else: print("Running on CPU only") x = torch.randn(100, 100) y = torch.randn(100, 100) z = torch.matmul(x, y) print(f"CPU matmul test passed") if __name__ == "__main__": verify_pytorch()

把这个脚本保存成verify_torch.py，每次装完环境跑一下，几秒钟就能确认环境是否正常。

6. 不同系统下的特殊注意事项

6.1 Windows 系统的额外配置

Windows 上除了装 PyTorch 本身，有时候还需要装 Visual C++ Redistributable，否则 import 的时候会报找不到 DLL 的错误。微软官网可以下载最新的 VC++ 运行库，装完重启一下命令行即可。

另外，Windows 的路径长度限制有时候会导致安装失败，尤其是路径嵌套很深的时候。解决办法是开启长路径支持，在组策略里或者用注册表修改。

如果你用的是 WSL2，那实际上就是在 Linux 环境里装 PyTorch，按照 Linux 的流程走就行。WSL2 支持 GPU 直通，nvidia-smi在 WSL2 里也能正常用。

6.2 Linux 系统的驱动安装

Linux 上装 NVIDIA 驱动比 Windows 麻烦一些，尤其是 Ubuntu 桌面版，有时候会遇到 nouveau 驱动冲突的问题。我一般推荐用系统自带的附加驱动工具安装，或者用官方的.run文件安装。装完驱动后nvidia-smi能正常输出，再装 PyTorch。

Linux 上还有一个常见问题是多用户环境下权限配置。如果服务器是多个人共用，建议每个人创建自己的 conda 环境，避免互相干扰。

6.3 macOS 的 MPS 加速

Mac 的 M 系列芯片用 MPS（Metal Performance Shaders）做加速，验证方式和 CUDA 不同：

import torch print(torch.backends.mps.is_available()) print(torch.backends.mps.is_built())

如果都返回 True，说明 MPS 可用。使用时把.cuda()换成.to("mps")即可。不过 MPS 目前对某些操作的支持还不完善，遇到不支持的算子会自动回退到 CPU，性能会受影响。

7. 装完之后：环境固化与迁移

环境装好验证通过之后，建议把依赖固化下来，方便以后迁移或者复现。pip 的话：

pip freeze > requirements.txt

conda 的话：

conda env export > environment.yml

这样换机器或者重装系统的时候，直接根据文件恢复环境即可。不过要注意，pip freeze会导出所有包，包括间接依赖，有时候会有平台相关的包导致在别的系统上装不上。更精细的做法是只导出直接依赖，或者用pipreqs这样的工具自动分析项目里实际用到的包。

我在实际使用中的体会是，环境配置这件事看起来简单，但真正要做好，需要对整个工具链有清晰的认识。不要怕麻烦，第一次装的时候多花点时间搞清楚每个步骤的原理，后面遇到问题就能快速定位。另外，养成装完就验证的习惯，别等到跑模型的时候才发现环境有问题，那时候排查成本会高很多。