Ubuntu上如何管理PyTorch依赖项 - 问答

Ubuntu 上管理 PyTorch 依赖项的实用指南

一环境隔离与基础准备

建议使用 Python 3.8+，并用虚拟环境隔离依赖：

venv：

sudo apt update && sudo apt install -y python3 python3-pip python3-venv
python3 -m venv ~/venvs/pt310
source ~/venvs/pt310/bin/activate
pip install -U pip

conda：

conda create -n pt310 python=3.10 -y
conda activate pt310

系统级依赖（编译/多媒体/线性代数常用库）：

sudo apt update
sudo apt install -y build-essential cmake git wget unzip yasm pkg-config \
     libopenblas-dev liblapack-dev libjpeg-dev libpng-dev libtiff-dev \
     libavcodec-dev libavformat-dev libswscale-dev python3-dev

版本核对：
```
python --version
pip --version
```

二安装与选择 PyTorch 版本

选择策略：优先使用 pip 官方预编译包（含所需 CUDA 运行时），GPU 场景需确保 NVIDIA 驱动与所选 CUDA 版本兼容；CPU 场景直接安装 CPU 版即可。

常用安装命令（示例）：

CPU 版（Ubuntu 22.04/24.04 通用）：

pip install torch==2.6.0 torchvision==0.17.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cpu

GPU 版（CUDA 12.6，Ubuntu 22.04/24.04 常见）：

pip install torch==2.6.0+cu126 torchvision==0.17.0+cu126 torchaudio==2.6.0+cu126 --index-url https://download.pytorch.org/whl/cu126

GPU 版（CUDA 12.1，历史版本常见）：

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

conda 方式（CPU）：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

conda 方式（GPU，指定 cudatoolkit）：

conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia

驱动与兼容性提示：
- 使用 GPU 版时，系统需安装与所选 CUDA 匹配的 NVIDIA 驱动；可通过 nvidia-smi 查看驱动与 CUDA 运行时信息。
- 若遇到网络波动，可临时使用国内镜像源（如清华）安装其他 Python 包：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名（PyTorch 官方 whl 建议直连）。
- 验证安装：
```
python - <<'PY'
import torch, sys
print("torch:", torch.__version__, "cuda:", torch.version.cuda, "cudnn:", getattr(torch.backends.cudnn, "version", None))
print("cuda available:", torch.cuda.is_available())
print("device count:", torch.cuda.device_count())
PY
```

三依赖项管理实践

使用 requirements.txt（便于复现与团队协作）：

# requirements.txt
torch==2.6.0+cu126
torchvision==0.17.0+cu126
torchaudio==2.6.0+cu126
numpy>=1.24
pandas>=2.0
scikit-learn
matplotlib

安装与升级：

pip install -r requirements.txt
pip install -U -r requirements.txt  # 升级
pip check                         # 检查冲突

使用 Poetry（更完善的依赖解析与平台标记）：
- 初始化与添加依赖（示例，按平台区分 CPU/GPU）：
```
poetry init -n
poetry add torch==2.6.0 --source pytorch-cpu   # CPU 源示例
poetry add torchvision==0.17.0
poetry add torchaudio==2.6.0
```
- 若使用 GPU，可在 pyproject.toml 中为不同平台设置源或版本标记（如 markers 区分 x86_64/aarch64/darwin），便于一套配置多环境复用。
版本对齐与兼容矩阵：
- torch 与 torchvision/torchaudio 需保持小版本一致（如 2.6.x 对应 0.17.x），避免运行时 API 不匹配。
- 如需从源码构建或扩展插件，需准备 gcc ≥ 7.3.0、cmake ≥ 3.12.0 等编译工具链。

四常见问题与排查

版本冲突与解析失败：
- 使用独立虚拟环境；用 pip check 与 pipdeptree 定位冲突包；必要时固定次要版本。
驱动与 CUDA 不匹配：
- nvidia-smi 显示的 CUDA Runtime 需与 PyTorch 的 cu126/cu121 等标签匹配；不匹配会导致 torch.cuda.is_available() 为 False。
网络与下载失败：
- 安装 PyTorch 官方 whl 建议直连；其他包可临时使用镜像源（如清华源）提升稳定性。
旧版环境迁移：
- 若系统存在多版本 CUDA，优先使用 pip 预编译包（自带所需 CUDA 运行时），避免与系统 CUDA 产生库路径冲突。

0 赞

0 踩