PyTorch安装教程

PyTorch介绍

PyTorch是基于Torch的python版本的机器学习库，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络(DNN)编程。Torch是一个经典的对多维矩阵数据进行操作的张量(tensor)库，底层由 C++ 实现，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，PyTorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了舒适的写代码选择。

准备工作

  • python版本：≥3.6【官方推荐 ≥3.9】

    包管理器（如 pip uv）

  • NVIDIA显卡/AMD的ROCm的显卡（需要GPU版本的PyTorch时）

  • 卸载原有cuda环境【如下程序】

    • NVIDIA CUDA Development 12.1
    • NVIDIA CUDA Documentation 12.1
    • NVIDIA CUDA Runtime 12.1
    • NVIDIA CUDA Visual Studio Integration 12.1
    • NVIDIA Nsight Compute 2023.1.0
    • NVIDIA Nsight Systems 2023.1.2
    • NVIDIA Nsight Visual Studio Edition 2023.1.0.23041
    • C:\Program Files下的NVIDIA GPU Computing Toolkit文件夹
    • 环境变量 - 系统变量 中cuda相关路径【类似名为CUDA_PATH的变量】

  • 查看CUDA显卡驱动版本【CUDA版本选择】

    • 方式一：命令行输入nvidia-smi，检查显卡支持cuda的最高版本（向下兼容，尽量低一个版本）

      nvidia-smi

    • 方式二、NVIDIA控制面板内查看：

      • NVIDIA控制面板→系统信息→组件，查看NVCUDA64.DLL的产品名称栏，可查看驱动程序支持的最高CUDA版本。
        PyTorch安装2

  • 安装 CUDA ：右上角显示类似 CUDA Version：12.9 ，安装 CUDA Toolkit 12.8.1 版本

    • 安装得到类似 cuda_12.8.1_572.61_windows.exe

    • 双击安装——选择默认安装目录（安装完成后自动删除）——精简安装即可

    • 检查是否安装成功：注意 -V 是大写【或--version】

      nvcc -V

    • 应当显示类似如下

      nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Fri_Feb_21_20:42:46_Pacific_Standard_Time_2025
Cuda compilation tools, release 12.8, V12.8.93
Build cuda_12.8.r12.8/compiler.35583870_0

  • 安装 cuDNN【cuDNN是针对深度神经网络DNN的CUDA扩展库，大大提高深度学习在GPU的运行效率】

    • 下载得到类似如 cudnn-windows-x86_64-9.16.0.29_cuda13-archive.zip 的 cuDNN 压缩包
    • 将 cuDNN 各个文件夹中的文件复制到CUDA对应文件夹中（bin, include, lib-x64）

安装 PyTorch

PyTorch分为CPU版本和GPU版本【windows、Linux通用】

  • CPU版本安装：
    • 安装 torch torchvision（使用清华镜像源：-i https://pypi.tuna.tsinghua.edu.cn/simple）
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
  • GPU版本安装：

    • 选择 Stable-Windows-Pip-Python-CUDA12.8 获取 Run this Command，使用 pip 安装

      pip install torch torchvision --index-url https://download.PyTorch.org/whl/cu128

    • 若使用 uv 管理

      • 方式一（仅加速）： uv pip install 不纳入 uv 的环境管理，行为等同于原生 pip install ，仅提供 uv 的并行和缓存安装加速
      • 方式二（推荐）：

        1. 添加自定义索引并绑定包源：更改 uv 的分析策略 --index-strategy + 使用 --index 添加源：uv add torch torchvision --index PyTorch=https://download.PyTorch.org/whl/cu128 --index-strategy unsafe-best-match

          • --index PyTorch=... 行为：新增名为 PyTorch 的额外索引（不会覆盖默认 PyPI 源），并在 pyproject.toml 中自动为 torch 和 torchvision 绑定该索引。
          • --index-strategy unsafe-best-match解释：uv 分析策略默认为使用最新版本的依赖而发生版本冲突，更改为 unsafe-best-match 使得正常版本依赖分析【防止 markupasfe 版本冲突导致回退】

        2. 启用索引隔离：完成上一步骤操作后，手动在 pyproject.toml 中添加 explicit = true 【仅当显式指定时才使用此索引，防止污染其他依赖解析】

          [[tool.uv.index]]
name = "PyTorch"
url = "https://download.PyTorch.org/whl/cu128"
explicit = true #添加这一条，用于防止其他依赖使用该索引进行依赖分析和安装而发生报错发生回退