1. 项目概述为什么PyTorch环境是深度学习的“第一公里”如果你最近开始跟着李沐老师的《动手学深度学习》学习大概率已经卡在了环境安装这一步。这太正常了我当年也一样。很多人以为学深度学习上来就是看公式、调模型结果第一步配环境就劝退了。其实环境安装是这门手艺最实在的“第一公里”跑通了后面看代码、跑实验才能心无旁骛。PyTorch作为当前学术界和工业界最主流的框架之一它的环境搭建看似简单就几条命令但背后的“坑”和选择直接决定了你后续学习体验是顺畅还是抓狂。今天这篇分享就是基于我多次在个人笔记本、实验室服务器甚至云端实例上配置PyTorch环境的经验帮你把“安装PyTorch”这件事彻底拆解清楚。我们不止讲“怎么装”更要讲清楚“为什么这么装”以及在各种常见系统Windows/macOS/Linux和硬件配置有无NVIDIA GPU下如何做出最合适的选择。你会发现避开几个关键误区整个过程可以非常清爽。2. 环境搭建的核心思路与工具选型配环境不是无脑复制命令你得先知道自己手里有什么牌要打什么局。核心思路就一句话用Anaconda或Miniconda创建独立的Python环境在此环境中安装与你的CUDA版本匹配的PyTorch。2.1 为什么强烈推荐Anaconda/Miniconda很多新手会问我系统里已经有Python了直接用pip install torch不行吗行但不推荐尤其是对初学者。核心原因在于依赖隔离与包管理。深度学习项目依赖的库如NumPy、SciPy、Pandas版本要求复杂且可能与你系统其他项目冲突。Conda作为一个包和环境管理器能为你每个项目创建独立的“沙箱”。在这个沙箱里你可以随意安装、升级、降级库而不会影响系统或其他项目。比如项目A需要PyTorch 1.12 CUDA 11.3项目B需要PyTorch 2.0 CUDA 11.6用Conda可以轻松创建两个环境分别管理互不干扰。Anaconda vs MinicondaAnaconda预装了数据科学常用的150多个包安装包较大约500MB。Miniconda只包含Conda和Python非常轻量约50MB。对于深度学习我们通常只需要核心的几个库其他按需安装因此我更推荐Miniconda干净、可控。2.2 CUDA与GPU支持搞清你的硬件底牌这是安装PyTorch最核心的决策点决定了你是用CPU跑慢但通用还是用GPU跑快但需配置。确认是否有NVIDIA GPU在Windows上可以打开任务管理器在“性能”选项卡查看是否有“NVIDIA”字样的GPU。在macOS/Linux终端可以尝试输入nvidia-smi命令如果已安装驱动会显示信息。确认CUDA版本如果有GPUnvidia-smi命令输出的右上角会显示一个“CUDA Version”例如“12.2”。注意这个版本是你的显卡驱动所能支持的最高CUDA版本不代表你已经安装了该版本的CUDA Toolkit。我们安装PyTorch时需要选择不高于此版本的CUDA。macOS用户注意Apple Silicon芯片M1/M2/M3的MacPyTorch通过Metal Performance Shaders (MPS) 后端支持GPU加速。安装命令与CPU/GPU版本不同后文会详述。无NVIDIA GPU怎么办完全没问题。安装CPU版本的PyTorch即可李沐课程中大部分基础练习和代码在CPU上都能运行只是速度慢一些非常适合学习和验证思路。关键心得不必盲目追求最新版本的CUDA和PyTorch。新版本可能有不兼容或未知的Bug。对于学习选择一个经过广泛验证的稳定组合更重要例如PyTorch 2.0 配 CUDA 11.8。李沐老师的课程代码和预训练模型通常对主流稳定版本兼容性最好。3. 分步实操从零搭建PyTorch学习环境下面我们以Windows系统配有NVIDIA GPU为例展示最详细的流程。macOS和Linux用户可以在对应步骤找到说明。3.1 第一步安装Miniconda访问Miniconda官网下载对应你操作系统和系统架构通常是64位的Python 3.10或3.11版本的安装包。Python 3.12等较新版本可能对某些库的兼容性支持还不完善暂不建议。安装时务必注意在“Advanced Installation Options”中勾选“Add Miniconda3 to my PATH environment variable”。虽然安装程序会警告说不推荐但为了后续在任意终端如VSCode的内置终端、PowerShell都能方便使用conda命令勾选它是值得的。否则你只能通过专门的“Anaconda Prompt”来使用conda。安装完成后打开一个新的终端Command Prompt或PowerShell输入conda --version。如果显示版本号说明安装成功。3.2 第二步创建并激活专属的深度学习环境我们不建议在conda的base基础环境中直接安装项目库。创建一个独立环境是专业习惯。# 创建一个名为d2l取自“动手学深度学习”英文标题的新环境并指定Python版本为3.9 conda create -n d2l python3.9 -y # 激活这个环境 conda activate d2l激活后你的命令行提示符前面应该会显示(d2l)表示你已经进入了这个环境后续所有操作都只影响这个环境。3.3 第三步安装PyTorch核心框架这是最关键的一步。强烈建议通过PyTorch官网获取安装命令而不是记忆某个命令因为官网会根据你的选择生成最准确、最新的命令。打开 PyTorch官网 。在“Get Started”页面你会看到一个配置选择器PyTorch Build选择稳定版Stable。除非你有特定需求否则不要选预览版Preview。Your OS选择你的操作系统Windows/Linux/macOS。Package选择Conda。这能确保通过Conda渠道安装更好地管理CUDA相关的依赖如cudatoolkit。Language选择Python。Compute Platform这是核心选择。如果你有NVIDIA GPU选择与你的驱动支持的CUDA版本匹配或更低的版本。例如nvidia-smi显示CUDA 12.2你可以选择CUDA 11.8或CUDA 12.1。通常选择CUDA 11.8是兼容性最广的稳定选择。如果你没有NVIDIA GPU选择CPU。如果你是Apple Silicon Mac用户选择MPS。这是为M1/M2/M3芯片GPU加速优化的后端。选择完毕后网站会生成一行命令。例如对于Windows、Conda、CUDA 11.8命令可能如下conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia将这个命令复制到你的终端确保已激活d2l环境中执行。Conda会解析依赖并开始安装这个过程可能需要几分钟取决于网速。3.4 第四步安装《动手学深度学习》课程配套包李沐老师为课程创建了一个名为d2l的Python包里面包含了课程中所有用于演示和练习的实用函数以及数据集下载工具。这是必须安装的。# 使用pip安装d2l包 pip install d2l3.5 第五步安装Jupyter Notebook/JupyterLab这是交互式学习和运行课程代码的主要工具。虽然你可以用纯Python脚本但Notebook的单元格分段执行特性非常适合教学和实验。# 在d2l环境中安装jupyter conda install jupyter jupyterlab -y安装完成后在终端输入jupyter notebook或jupyter lab浏览器会自动打开工作界面你就可以新建Notebook开始学习了。4. 验证安装与常见问题排雷安装完成不代表万事大吉必须验证关键组件是否工作正常。4.1 编写并运行验证脚本新建一个Python脚本或直接在Jupyter Notebook的单元格中输入以下代码import torch import d2l print(fPyTorch版本: {torch.__version__}) print(fCUDA是否可用: {torch.cuda.is_available()}) if torch.cuda.is_available(): print(fGPU设备名称: {torch.cuda.get_device_name(0)}) print(fCUDA版本: {torch.version.cuda}) # 简单测试一个张量运算 x torch.tensor([1.0, 2.0, 3.0]) y torch.tensor([4.0, 5.0, 6.0]) print(f张量相加: {x y}) print(d2l包版本:, d2l.__version__) print(环境验证基本完成)预期输出解读PyTorch版本显示你安装的版本号。CUDA是否可用如果是True恭喜你PyTorch已成功识别并可以调用你的NVIDIA GPU。如果是False则运行在CPU模式。GPU设备名称显示你的显卡型号。CUDA版本显示PyTorch内部编译所依赖的CUDA版本应与安装时选择的一致。4.2 高频问题排查清单即使按照步骤操作你也可能遇到问题。下面是我踩过坑后总结的排查表问题现象可能原因解决方案conda命令未找到安装时未将Conda加入PATH或未重启终端。1. 尝试使用“Anaconda Prompt”Windows。2. 或将Conda安装目录下的Scripts和Library\bin文件夹手动添加到系统环境变量PATH中。ImportError: No module named ‘torch’1. 未激活正确的conda环境。2. PyTorch未安装成功。1. 在终端确认提示符为(d2l)。2. 重新执行PyTorch安装命令并注意观察有无网络错误。CUDA is available返回False1. 安装了CPU版本的PyTorch。2. 系统显卡驱动太旧不支持所需的CUDA版本。3. PyTorch与CUDA版本不匹配。1. 检查安装命令是否包含pytorch-cudaxx.x。2. 去NVIDIA官网更新显卡驱动到最新版。3. 在PyTorch官网重新选择匹配的CUDA版本生成命令创建新环境重装。安装过程极慢或卡住Conda默认源在国外网络不稳定。为Conda配置国内镜像源如清华、中科大。配置命令可搜索“conda 换源”。注意换源后安装PyTorch时有时仍需通过-c pytorch -c nvidia指定官方频道以确保版本正确。Apple Silicon Mac上MPS不可用1. 未安装PyTorch的Nightly版本或特定MPS版本。2. macOS版本或PyTorch版本过旧。1. 严格使用PyTorch官网选择MPS后生成的命令安装它通常是Nightly版本。2. 确保macOS和Python版本符合要求。运行代码时内核崩溃Kernel Died常见于GPU内存不足或CUDA相关库存在冲突。1. 尝试减小批量大小batch size。2. 在代码开头设置os.environ[‘CUDA_VISIBLE_DEVICES’]‘0’明确指定GPU。3. 最彻底的方法用conda remove -n d2l --all删除环境然后严格按照流程重装。核心避坑技巧环境配置问题90%可以通过“创建一个全新的conda环境”来解决。当遇到各种玄学问题时不要死磕备份好你的代码和笔记然后删除旧环境从头再来一遍往往比花几小时排查更快。5. 进阶配置与效率提升技巧基础环境搭好能跑代码但要想学得舒服、效率高还有几件事值得一做。5.1 配置Jupyter Notebook的快捷方式与扩展直接在终端启动Jupyter不够方便。可以在你常用的项目目录下创建一个启动脚本如start_jupyter.bat(Windows) 或start_jupyter.sh(Linux/macOS)内容如下# Windows批处理文件示例 call conda activate d2l jupyter notebook双击即可在指定环境启动Notebook。此外可以安装jupyter_contrib_nbextensions它提供了目录、代码折叠、自动补全增强等实用功能大幅提升Notebook使用体验。conda activate d2l pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user # 然后重启Jupyter在主页能看到“Nbextensions”标签页进行配置5.2 集成VS Code获得顶级开发体验Jupyter适合交互探索但项目化、模块化的代码管理VS Code是更好的选择。配置VS Code使用我们刚创建的d2l环境在VS Code中打开你的项目文件夹。安装Python扩展。按下CtrlShiftP输入 “Python: Select Interpreter”。在弹出的列表中选择路径类似于…/Miniconda3/envs/d2l/python.exe的解释器。新建.py文件就可以享受该环境下的代码补全、调试等功能了。你还可以安装Jupyter扩展在VS Code内直接运行.ipynb笔记本文件体验比浏览器更佳。5.3 环境备份与迁移你精心配置的环境就是你的生产力工具应该学会备份。# 激活环境后将当前环境的所有包及版本导出到一个yml文件 conda activate d2l conda env export environment_d2l.yaml这个environment_d2l.yaml文件就是你的环境“配方”。在新机器上只需执行conda env create -f environment_d2l.yaml就能复现一个一模一样的环境包括所有通过pip安装的包如果导出时使用了--from-history参数则只记录显式安装的包更简洁。6. 不同硬件配置下的安装策略总结最后我把不同情况下的安装策略做个梳理你可以对号入座有NVIDIA GPU的Windows/Linux用户策略安装GPU版PyTorch。关键核对驱动支持的CUDA最高版本在PyTorch官网选择匹配或更低版本的CUDA推荐CUDA 11.8。命令使用官网生成的Conda命令。只有CPU的Windows/Linux/macOS用户策略安装CPU版PyTorch。关键简单直接兼容性最好。命令在PyTorch官网Compute Platform选择“CPU”。Apple Silicon (M系列芯片) Mac用户策略安装支持MPS后端的PyTorch。关键必须使用官网选择“MPS”后生成的命令通常是Nightly版本。注意部分操作如自定义C扩展对MPS支持可能不完善但学习课程完全足够。使用云GPU如Colab, AutoDL的用户策略平台通常已预装好环境。关键在Colab中通过!pip install d2l安装课程包即可。注意运行时类型选择“GPU”。优势免配置适合快速验证劣势有使用时长限制数据需要每次上传。环境配置是深度学习实践者的基本功也是一个从“懵懂”到“掌控”的微小里程碑。这个过程里遇到的每一个报错搜索解决的每一个问题都在加深你对这套工具链的理解。配好环境后打开李沐老师的课程运行第一个代码单元格看到输出结果的那一刻你的动手学深度学习之旅才算是真正扎实地开始了。记住这个环境的名字d2l未来几个月它将是陪伴你最久的数字工作间。