支持情况与前提条件
在CentOS上可以使用PyTorch GPU加速，但前提是具备NVIDIA GPU并正确安装NVIDIA驱动、CUDA Toolkit、cuDNN，同时安装与之匹配的PyTorch GPU版本。完成安装后，PyTorch可正常调用CUDA进行训练与推理。
快速验证步骤
- 检查驱动与GPU：运行命令nvidia-smi，确认驱动已安装且能识别到GPU。
- 检查CUDA编译器：运行命令nvcc --version，确认CUDA Toolkit可用。
- 验证PyTorch是否能用GPU：
import torch
print(torch.cuda.is_available()) # 应为True
print(torch.cuda.current_device())
print(torch.cuda.get_device_name(0))
以上三步能快速判断驱动、CUDA与PyTorch的GPU支持是否就绪。
安装要点
- 安装NVIDIA驱动：可通过官方.run包或发行版仓库安装，例如使用EPEL后执行sudo yum install nvidia-driver-latest-dkms，安装完成后重启并运行nvidia-smi验证。
- 安装CUDA Toolkit：从NVIDIA官网获取与显卡驱动匹配的版本，示例（CUDA 11.7）：
wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda_11.7.0_515.43.04_linux.run
sudo sh cuda_11.7.0_515.43.04_linux.run
并将路径加入环境变量：
echo ‘export PATH=/usr/local/cuda-11.7/bin:$PATH’ >> ~/.bashrc
echo ‘export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc
source ~/.bashrc
- 安装cuDNN：下载与CUDA版本匹配的cuDNN，解压后将头文件和库复制到CUDA目录，并设置权限。
- 安装PyTorch GPU版本：
- 使用pip（示例为CUDA 11.7）：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
- 使用conda：
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
以上步骤覆盖驱动、CUDA、cuDNN与PyTorch的安装与匹配要点。
常见问题与提示
- 版本匹配最关键：确保驱动支持的CUDA最高版本 ≥ 安装的CUDA Toolkit ≥ PyTorch预编译包对应的CUDA版本；三者不匹配常导致**torch.cuda.is_available()**返回False。
- 环境与权限：建议使用虚拟环境（conda或venv）隔离依赖；某些安装步骤需要sudo权限。
- 快速排查：若不可用，依次检查nvidia-smi输出、环境变量PATH/LD_LIBRARY_PATH、CUDA与cuDNN安装路径与权限，以及PyTorch安装命令是否指向正确的CUDA版本。
这些做法能有效定位驱动、库路径或版本不一致等问题。