Debian 上配置 PyTorch 依赖的实用步骤
一 基础系统依赖
- 更新索引并安装编译与多媒体基础库（CPU 与 GPU 通用）：
- sudo apt update && sudo apt install -y build-essential cmake git python3-dev python3-pip
- sudo apt install -y libopenblas-dev liblapack-dev libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev
- 说明：上述库覆盖矩阵运算（OpenBLAS/LAPACK）、图像处理与视频编解码等常见深度学习依赖，可减少后续运行与编译时的缺库问题。
二 GPU 环境准备与 CUDA/cuDNN 配置
- 安装 NVIDIA 驱动（确保与显卡匹配），随后安装 CUDA Toolkit 与 cuDNN，两者版本需与将要安装的 PyTorch 发行版匹配。
- 配置环境变量（示例为常见路径，按实际安装路径调整）：
- export PATH=/usr/local/cuda/bin:$PATH
- export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
- 验证驱动与 CUDA：
- nvidia-smi（查看驱动与 CUDA 运行时版本）
- nvcc --version（查看 CUDA Toolkit 编译器版本）
- 注意：驱动、CUDA、cuDNN 与 PyTorch 的版本矩阵必须一致，否则会出现无法调用 GPU 或运行报错。
三 安装 PyTorch 与常用变体
- 建议使用虚拟环境（venv 或 conda）隔离依赖：
- python3 -m venv pytorch_env && source pytorch_env/bin/activate
- 使用 pip 安装（按硬件与 CUDA 选择其一）：
- CPU：pip install torch torchvision torchaudio
- GPU（示例为 CUDA 11.8）：pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
- 使用 conda 安装（便于同时管理 CUDA 运行时）：
- CPU：conda install pytorch torchvision torchaudio cpuonly -c pytorch
- GPU（示例为 CUDA 11.8）：conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia
- 提示：将命令中的 cu118 或 cudatoolkit=11.8 替换为与你系统一致的 CUDA 主次版本号。
四 验证安装与环境变量要点
- 基础验证（应返回版本号与 True/False）：
- python3 - <<‘PY’
import torch
print(“torch:”, torch.version)
print(“cuda:”, torch.cuda.is_available())
print(“cudnn:”, torch.backends.cudnn.is_available() if torch.cuda.is_available() else “N/A”)
PY
- GPU 特定库验证（可选）：
- python3 -c “from torch.utils.cpp_extension import CUDA_HOME; print(‘CUDA_HOME =’, CUDA_HOME)”
- 常见问题速查：
- 网络慢或超时：pip 安装时可使用国内镜像源（如清华源）加速。
- CUDA 不匹配：核对 nvidia-smi 与 nvcc 输出，确保与 PyTorch 的 CUDA 版本一致，必要时更换 PyTorch 的 CUDA 变体或重装对应 CUDA/cuDNN。
- 缺库报错：回到第二节补充安装对应的系统依赖库。