PyTorch Linux开发环境搭建

PyTorch Linux开发环境搭建

一 环境准备与系统依赖

• 更新系统并安装基础工具（以发行版为准）：
  • Debian/Ubuntu：
    • sudo apt update && sudo apt upgrade -y
    • sudo apt install -y build-essential cmake git libopenblas-dev liblapack-dev libjpeg-dev libpng-dev libtiff-dev libavcodec-dev libavformat-dev libswscale-dev python3-dev python3-pip
  • CentOS/RHEL：
    • sudo yum update -y
    • sudo yum groupinstall -y “Development Tools”
    • sudo yum install -y cmake3 git wget python3 python3-devel python3-pip
• 确认 Python 与 pip：
  • python3 --version、pip3 --version
  • 建议升级 pip：pip3 install --upgrade pip
• 可选但强烈推荐：使用虚拟环境隔离依赖（见下一节）。

二 创建虚拟环境与安装 PyTorch

• 方式一 使用 venv（系统自带，轻量）
  • 创建并激活：
    • python3 -m venv pytorch_env
    • source pytorch_env/bin/activate
  • 安装命令（按硬件选择其一）：
    • CPU：pip3 install torch torchvision torchaudio
    • GPU（示例为 CUDA 11.8，请将 cu118 替换为你的 CUDA 大版本）：pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
• 方式二 使用 Conda（Anaconda/Miniconda，依赖管理更强）
  • 安装 Miniconda（示例）：
    • wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
    • bash Miniconda3-latest-Linux-x86_64.sh（按提示完成）
    • source ~/.bashrc
  • 创建并激活环境（示例 Python 3.8/3.10）：
    • conda create -n pytorch_env python=3.8
    • conda activate pytorch_env
  • 安装命令（按硬件选择其一）：
    • CPU：conda install pytorch torchvision torchaudio cpuonly -c pytorch
    • GPU（示例为 cudatoolkit 11.8）：conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch -c nvidia
• 说明：GPU 版本需确保系统已安装与所选 PyTorch 版本匹配的 CUDA/cuDNN；若使用 conda，常用做法是让 conda 管理 cudatoolkit，避免与系统 CUDA 冲突。

三 GPU 支持与驱动检查

• 查看驱动与 CUDA 运行时版本：
  • nvidia-smi（右上显示 Supported/Runtime CUDA）
• 安装与配置要点（仅当使用 NVIDIA GPU 时）：
  • 安装与驱动匹配的 CUDA Toolkit 与 cuDNN，并设置环境变量（示例路径，按实际版本调整）：
    • 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
  • 选择与 nvidia-smi 显示的 CUDA 大版本一致的 PyTorch 版本（例如 11.7/11.8），避免不兼容导致 torch.cuda.is_available() 为 False。

四 验证安装与常见问题

• 基础验证：
  • python3 - <<‘PY’ import torch, torchvision, torchaudio print(“torch:”, torch.version, “torchvision:”, torchvision.version, “torchaudio:”, torchaudio.version) print(“cuda available:”, torch.cuda.is_available()) if torch.cuda.is_available(): print(“device count:”, torch.cuda.device_count()) print(“current device:”, torch.cuda.current_device()) print(“device name:”, torch.cuda.get_device_name()) PY
• 常见问题与处理：
  • 网络慢/超时：使用国内镜像（如清华源）pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple 包名；或 conda 配置清华通道（注意与默认通道的兼容性）。
  • CUDA 不可用：核对 nvidia-smi 与 PyTorch 的 CUDA 大版本一致；如使用 conda 安装 GPU 版，优先使用 cudatoolkit 而非系统 CUDA；必要时重装驱动/cuDNN 并重启。
  • 依赖缺失：按第一节补齐系统库与 Python 开发包；编译/安装额外包时确保已安装 cmake、gcc/g++ 等工具。

五 IDE 与日常开发配置

• PyCharm：File → Settings → Project → Python Interpreter → Add → 选择虚拟环境的解释器（如 pytorch_env/bin/python）。
• VS Code：Ctrl+Shift+P → Python: Select Interpreter → 选择虚拟环境解释器；确保终端激活了对应环境（which python 应指向 venv 或 conda env）。
• 常用加速与调试建议：
  • 优先使用 conda 管理二进制依赖，避免 pip 与系统库冲突。
  • 固定版本：在 requirements.txt 或 environment.yml 中锁定 torch/torchvision/torchaudio 与 python 版本，便于复现实验。