首选发行版
- 优先选择Ubuntu 22.04 LTS 或 24.04 LTS。它们对NVIDIA 驱动、CUDA/cuDNN、容器与深度学习生态支持最完善，教程与预编译包最齐全，社区问题定位成本低。
- 若必须使用其他发行版，请确保其glibc >= 2.17，并优先采用**容器化（Docker/Podman）**来获得稳定的依赖环境。
- 对于AMD ROCm路线，选择Ubuntu 22.04更稳妥；其他发行版的支持通常更“社区化”，需自行验证。
- 在无 NVIDIA GPU 的场景，任何满足 glibc 要求的主流发行版均可，但依旧推荐 Ubuntu LTS 以获得更顺畅的驱动与工具链体验。
按场景给出选择建议
| 场景 |
推荐发行版 |
关键理由 |
备注 |
| 个人/团队深度学习工作站（NVIDIA GPU） |
Ubuntu 22.04/24.04 LTS |
驱动、CUDA/cuDNN、cuBLAS、NCCL、容器镜像与教程最完备 |
建议搭配 pip/conda 官方预编译包 |
| 生产/云服务器（稳定性优先） |
Ubuntu 22.04/24.04 LTS |
LTS 长支持、内核与驱动稳定、生态一致 |
容器化部署优先 |
| AMD GPU（ROCm） |
Ubuntu 22.04 |
ROCm 官方与社区资料集中 |
需核对 ROCm 版本与内核/驱动兼容矩阵 |
| 无 GPU（CPU-only） |
任意满足glibc >= 2.17的发行版 |
PyTorch 可在通用 Linux 上运行 |
仍建议 Ubuntu LTS 便于工具链维护 |
| 国产化桌面环境 |
Deepin 20/23 |
社区有在 Deepin 20 上安装 PyTorch 的实操教程 |
依赖与驱动需自行验证与维护 |
版本与依赖要点
- Python 版本：建议使用Python 3.8–3.11（当前稳定版 PyTorch 要求Python >= 3.8）。
- 包管理与环境：优先使用Anaconda/Miniconda或venv隔离环境；Anaconda 能一并解决依赖，官方也推荐此方式。
- CUDA/cuDNN：选择与 PyTorch 预编译包匹配的CUDA 版本；注意区分nvidia-smi 显示的最高驱动支持 CUDA 版本与实际安装的 CUDA Toolkit 版本，安装命令中的 CUDA 不能高于驱动可支持上限。
- ROCm：若使用 AMD GPU，选择ROCm 5.x并与发行版、内核、驱动版本匹配后再安装 PyTorch。
快速安装示例 Ubuntu 22.04/24.04
- CPU 版（pip）
- 更新与准备：sudo apt update && sudo apt install -y python3 python3-pip python3-venv
- 建环境：python3 -m venv ~/pytorch_cpu && source ~/pytorch_cpu/bin/activate
- 安装：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
- GPU 版（pip，CUDA 12.1 示例）
- 准备：确保已安装与 CUDA 12.1 兼容的NVIDIA 驱动
- 建环境：python3 -m venv ~/pytorch_gpu && source ~/pytorch_gpu/bin/activate
- 安装：pip install torch==2.1.0+cu121 torchvision==0.16.0+cu121 torchaudio==2.1.0+cu121 --index-url https://download.pytorch.org/whl/cu121
- 验证
- python - <<‘PY’
import torch
print(“torch:”, torch.version, “cuda:”, torch.cuda.is_available())
PY