一、前置准备：更新系统与安装基础依赖
在Ubuntu上配置PyTorch前，需确保系统包为最新状态，并安装必要的构建工具与库。打开终端，依次执行以下命令：
sudo apt update && sudo apt upgrade -y # 更新系统包
sudo apt install -y build-essential cmake git wget unzip yasm pkg-config libopenblas-dev liblapack-dev libjpeg-dev libpng-dev # 安装构建工具与基础库
这些依赖项用于后续可能的PyTorch源码编译（若选择此方式）及数值计算。
二、安装Python与pip
PyTorch需Python 3.6及以上版本，Ubuntu 20.04及以上系统默认自带Python 3.8+，但需单独安装pip（Python包管理工具）：
sudo apt install -y python3 python3-pip # 安装Python3与pip
python3 --version # 验证Python版本（需≥3.8）
pip3 --version # 验证pip版本
三、创建虚拟环境（推荐）
为避免项目间依赖冲突，建议使用虚拟环境隔离PyTorch及其依赖。以venv为例：
python3 -m venv pytorch-env # 创建名为pytorch-env的虚拟环境
source pytorch-env/bin/activate # 激活虚拟环境（激活后终端提示符会显示环境名）
后续所有安装步骤均在该环境下执行。
四、安装PyTorch：选择CPU或GPU版本
PyTorch提供CPU与GPU两种版本，需根据硬件配置选择：
若无需GPU加速（如普通笔记本或服务器无NVIDIA显卡），直接通过pip安装CPU版本：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 安装CPU版本
若需GPU加速，需先确保系统安装了兼容的CUDA Toolkit与cuDNN（详见下文“五、安装CUDA与cuDNN（可选，GPU必备）”），再根据CUDA版本选择PyTorch安装命令。例如：
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 # 安装CUDA 11.7兼容版本
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121 # 安装CUDA 12.1兼容版本
可通过nvcc --version命令查看系统CUDA版本。
五、安装CUDA与cuDNN（可选，GPU必备）
若选择GPU版本，需提前安装NVIDIA显卡驱动、CUDA Toolkit与cuDNN：
sudo ubuntu-drivers devices # 查看推荐的驱动版本（如nvidia-driver-535）
sudo apt install -y nvidia-driver-535 # 安装推荐驱动（替换为实际版本）
sudo reboot # 重启系统使驱动生效
nvidia-smi # 验证驱动安装（显示显卡型号与驱动版本即为成功）
以CUDA 11.8为例，通过.run文件安装（需关闭图形界面或使用tty终端）：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-ubuntu2204.pin
sudo mv cuda-ubuntu2204.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2204-11-8-local-11.8.0-520.61.05-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2204-11-8-local-11.8.0-520.61.05-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2204-11-8-local-11.8.0-520.61.05-1/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt update
sudo apt install -y cuda # 安装CUDA Toolkit
安装完成后，需配置环境变量（编辑~/.bashrc）：
echo 'export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
source ~/.bashrc # 使环境变量生效
cuDNN是NVIDIA提供的深度学习加速库，需注册NVIDIA开发者账号下载（选择与CUDA版本匹配的cuDNN，如cuDNN 8.9.5 for CUDA 11.8）。下载后解压并复制文件：
tar -xzvf cudnn-linux-x86_64-8.9.5.29_cuda11-archive.tar.xz
sudo cp cudnn-linux-x86_64-8.9.5.29_cuda11-archive/include/cudnn*.h /usr/local/cuda/include
sudo cp -P cudnn-linux-x86_64-8.9.5.29_cuda11-archive/lib/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn* # 设置文件权限
六、验证PyTorch安装
安装完成后，通过Python代码验证PyTorch是否成功安装及是否支持GPU：
python3 -c "
import torch
print('PyTorch版本:', torch.__version__)
print('CUDA是否可用:', torch.cuda.is_available())
if torch.cuda.is_available():
print('CUDA版本:', torch.version.cuda)
print('GPU设备数:', torch.cuda.device_count())
"
若输出显示PyTorch版本及CUDA is available: True，则说明安装成功。
七、可选：安装其他依赖库
根据项目需求，可安装常用数据处理与可视化库：
pip3 install numpy pandas matplotlib seaborn scikit-learn # 安装数据处理与可视化库
注意事项
conda安装PyTorch，命令类似但需替换为conda源（如conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch）；