在 Debian 上搭建 PyTorch 开发平台
一 环境准备
- 更新系统并安装基础工具：
- sudo apt update && sudo apt upgrade -y
- sudo apt install -y build-essential python3 python3-pip python3-dev git curl
- 建议始终在虚拟环境中开发，避免依赖冲突：
- python3 -m venv ~/venvs/pytorch
- source ~/venvs/pytorch/bin/activate
- 升级 pip：pip install -U pip
- 可选：安装常用数据科学库
- pip install numpy matplotlib pandas scikit-learn jupyter
二 安装 PyTorch
- CPU 版本（通用、最简便）
- pip install torch torchvision torchaudio
- GPU 版本（需先准备 NVIDIA 驱动与 CUDA/cuDNN）
- 使用 pip 指定 CUDA 版本（示例为 CUDA 11.8；将 cu118 替换为你的实际版本）
- pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
- 使用 conda（示例为 cudatoolkit 11.8）
- conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia
- 安装后快速验证
- python - <<‘PY’
import torch
print(“torch:”, torch.version, “cuda:”, torch.cuda.is_available())
PY
三 GPU 环境配置要点
- 安装与匹配版本
- 安装与 PyTorch 预编译包匹配的 NVIDIA 驱动、CUDA Toolkit 与 cuDNN（版本需一致，例如 CUDA 11.8 对应 cuDNN 8.x）。
- 设置环境变量（常见路径示例）
- echo ‘export PATH=/usr/local/cuda/bin:$PATH’ >> ~/.bashrc
- echo ‘export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc
- source ~/.bashrc
- 验证驱动与设备
- nvidia-smi（应显示 GPU 与驱动/CUDA 版本）
- python -c “import torch; print(‘CUDA available:’, torch.cuda.is_available())”
四 开发工具与 IDE 配置
- VS Code
- 安装 VS Code，按 Ctrl+Shift+P 选择 Python: Select Interpreter，指向虚拟环境中的解释器（如：~/venvs/pytorch/bin/python）。
- PyCharm
- Settings → Project Interpreter → Add → Existing environment，选择上述虚拟环境解释器。
- Jupyter（可选）
- pip install jupyter
- jupyter notebook 或 jupyter lab 启动
五 常见问题与排错
- 版本不匹配导致 GPU 不可用
- 现象：torch.cuda.is_available() 为 False
- 处理：确认驱动、CUDA、cuDNN 与 PyTorch 的 CUDA 版本一致；必要时重装匹配版本的 PyTorch（如将 cu118 改为你的 CUDA 版本）。
- 找不到 CUDA 库
- 现象：ImportError: libcudart.so.x 无法打开共享对象文件
- 处理：检查 LD_LIBRARY_PATH 是否包含 /usr/local/cuda/lib64，或重新安装/匹配 CUDA 与 cuDNN。
- 老系统或 ARM 设备（如树莓派）
- 树莓派等 ARM 平台需使用适配的 pip 包或从源码构建；安装耗时较长，建议使用稳定版本与充足存储。