【2025最新】深度学习框架PyTorch——从入门到精通（1）下载与安装

又名：芜湖起飞侠的PyTorch学习记录——从起飞到坠毁

简介
安装内容总览
安装Anaconda
- Anaconda简介
- Anaconda下载
- 配置环境变量
- 验证
- 其他配置
- 安装matplotlib
安装 CUDA
- 安装之前
- 安装cuDNN
安装torch
- CPU 版本安装
- GPU 版本安装
- - 通过pip安装（不推荐）
  - 通过Anaconda安装（推荐）
验证安装

简介

在人工智能技术爆发的今天，PyTorch 凭借其动态计算图的灵活性和高效的 GPU 加速能力，已成为深度学习领域最受欢迎的框架之一。
在这里插入图片描述

好吧，其实我写这个的原因是：很多有关人工智能的工作岗位都需要应聘者熟悉Tensorflow/scikit-learn/xgboost/Caffe/MindSpore/pytorch等主流深度学习框架，或者至少其中之一。那么torch自然就是一个很好的选择。

安装内容总览

一些教程，例如PyTorch官网的使用PyTorch进行深度学习：60分钟闪电战会提前提醒你：

	运行教程之前，请确保你的python环境里已安装matplotlib和torch（torchvision）包。

这个提示的重点在torch（torchvision）包，它其实就是Pytorch。这里我把所有可能需要安装的都列出来：

Anaconda推荐安装：
主要是为了创建、管理虚拟环境。（不同的机械学习项目需要的包、环境，可能不一样。）
CUDA推荐安装：
为了使用PyTorch的GPU版本，GPU版本比CPU版本快。
cuDNN 推荐安装：
cuDNN 是 NVIDIA 公司开发的一款用于深度神经网络的加速库，可以显著提高训练速度和推断速度。
PyTorch：
这个就是框架本体，所以一定要装。

那么接下来就一个一个的教大家安装

安装Anaconda

Anaconda简介

Anaconda 是一个用于科学计算的 Python 发行版，它包含了众多常用的科学计算、数据分析、机器学习等相关的库和工具大大减少了开发人员配置环境的时间和精力。
另外，它还是一个很方便的管理Pyhton环境的工具。它可以创建、管理和切换不同的 Python （虚拟）环境。解决不同项目需要不同运行环境的需求。

Anaconda下载

我们可以通过Anaconda官网下载，但是这种下载速度相对较慢。（毕竟是外国的）
如果他要你注册的话，可以点击下面那个跳过注册进行下载。
当然，我们还可以通过一些国内的镜像源下载。我用的是清华大学镜像源，当然这个也可以另一个清华大学镜像源。

这里需要根据自己的系统选择下载什么版本，例如我是window 64位系统，不知道的可以右键此电脑——属性——系统——系统信息
下载好了之后，双击点开。
选择我同意
为所有用户安装。因为网上有人说只给自己安装可能有bug。
在选择安装路径时，请换别的盘，非常不推荐安装在C盘。
这三个选项的意思是：（一般是都勾选的）
- 创建开始菜单
- base环境以python3.12创建
- 清除包缓存
最后需要等一段时间安装，这个根据你电脑的具体性能而定。
在最后的界面中还有两个可以勾选的选项，意思是运行这个程序，然后学习如何使用它。大家根据自己的情况而定，然后点击finish就可以结束安装了。

配置环境变量

可以在系统的搜索栏里直接搜环境变量。
在这里插入图片描述
选择path

选择新建，之后把下面的四条都写进去，注意具体的路径需要换成你自己的安装路径：

D:\anaconda
D:\anaconda\Scripts
D:\anaconda\Library\bin
D:\anaconda\Library\mingw-w64\bin

在这里插入图片描述

验证

之后可以win+R并用cmd打开命令提示符，或者用anaconda prompt ，输入conda --version来判断是否安装成功，成功的话会输出版本号。
在这里插入图片描述

其他配置

关于Anaconda的环境保存路径和下载源都可以在.condarc文件中，所有可以直接改它。
还是在刚刚的anaconda prompt中，我们输入conda info来先看一看现在的配置。
在这里插入图片描述
好吧我提前改过了，看不了原来的。

更改存储位置：
- 利弊分析：更改存储位置这个有利有弊，好处是可以减少你C盘的使用空间，坏处是你每次新建虚拟环境的时候都要以管理员的权限运行你的终端，例如anaconda prompt，不然创建不了。所以如果你觉得C盘够大没关系可以不改，我个人建议单纯学习的话用不了太多地方，可以不用改。
- 具体做法：这个是通过更改上述的.condarc文件，它在C盘-用户-用户名。如果找不到打开anaconda prompt输入以下命令：conda config --set show_channel_urls yes
  找到之后，通过记事本打开，可以删除其他的，然后修改envs_dirs和pkgs_dirs：

# 注意路径改成你自己想要的
envs_dirs:- D:\anaconda\envs
pkgs_dirs:- D:\anaconda\pkgs
# 修改完了别忘了ctrl + s 保存
# 另外，你要确保你写的路径存在，没有对应的文件夹的话，需要手动创建。
# 不然因为创建文件夹需要管理员权限，你新建虚拟环境的时候会报错。

添加conda镜像源：很多下载的东西在国外，所以为了加速下载，可以添加国内的镜像源。还是在anaconda prompt里，输入下面：

# 清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/# 阿里云镜像源
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/# （可选）设置搜索时显示通道地址
conda config --set show_channel_urls yes

这里建议用清华镜像源，这个链接详细的告诉了你怎么做。

最后你可以通过再次输入conda info检查你的修改是否成功。

另外，还有一些其他的指令：

# 单独展示通道
conda config --show channels
# 恢复默认源
conda config --remove-key channels
# 删除镜像源
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/cpu/
# 添加镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/cpu/#Anaconda常用指令
# 查看conda版本
conda --version 或 conda -V
# 更新conda版本
conda update conda
# 创建虚拟环境(创建了名为my_name，版本为3.9的）
conda create -n my_name python=3.9
# 激活虚拟环境
conda activate my_name 
# 退出虚拟环境
conda deactivate
# 删除虚拟环境
conda remove -n my_name --all 或 conda remove --name my_name --all
# 列出所有虚拟环境
conda env list 或 conda info --envs
# 列出当前环境的所有包
conda list
# 安装第三方包
conda install dill 或 pip install dill
# 卸载第三方包
conda uninstall dill 或 pip uninstall dill

安装matplotlib

还记得我们开头说的那个PyTorch官网的使用PyTorch进行深度学习：60分钟闪电战吗？他其实你安装的包第一个就是matplotlib。但是如果你安装了Anaconda，他的环境里是自带的。

不过因为Anaconda是可选安装，我们还是展示一下这个包的安装流程。

先检查一下你的Pyhton运行环境，如果你安装过了matplotlib就可以跳过这步。
- 如果你和我一样用的是Visual studio，那么python的运行环境是：视图——其他窗口——Pyhton环境或者工具——Python——Python环境
如果你没有安装matplotlib包。你可以输入命令：pip install matplotlib，这个命令会帮你安装最新的稳定版本的matplotlib包，当然你也可以用pip install matplotlib == version 来指定版本号。
- 如果和我一样是用的Visual Studio 建议使用：视图——终端，在这里输入代码。

安装 CUDA

torch 和 torchvision 的安装需要根据你的 CUDA 版本（如果使用 GPU 加速）来选择合适的版本。
当然，不论是CPU还是GPU都能安装torch并且运行，但是GPU版本的Pytorch能够提供更快的计算速度和更高的性能。这是因为CPU被设计用于复杂的逻辑运算，而GPU则是擅长处理大量简单计算（例如矩阵计算）

安装之前

GPU版本的Pytorch需要使用 NVIDIA GPU，并且要求安装了相应的 CUDA 驱动。
有些电脑虽然是英伟达的GPU,但是没有这个驱动(就比如我）。所以我们需要先保证安装这个驱动。

**检查显卡是不是NVIDIA **：控制面板 - 硬件和声音 - 设备管理器

之后下拉找到显示适配器，这里就是你的所有显卡。例如我的显卡是3060。
判断有没有CUDA：
- 打开命令提示符（Windows）或终端（Linux/macOS），输入 nvcc --version 并回车。如果显示 CUDA 版本信息，那么这个版本号就是你要使用的 CUDA 版本；如果提示 nvcc 不是可识别的命令，说明你可能没有安装 CUDA 开发工具包，需要先安装。
- 另外，CUDA 默认安装路径一般为 “C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA”。如果没有该目录，自然说明未安装。若有该目录，进入 “C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X\extras\demo_suite”（XX.X 为 CUDA 版本号）目录，以管理员身份打开命令提示符，输入 bandwidthTest.exe 和 deviceQuery.exe 进行测试，若两个测试结果均显示 “Result = PASS”，则说明你有安装CUDA。
确认显卡支持CUDA：如果你需要安装CUDA,首先你需要确认你显卡支持的版本。右键点击电脑桌面空白处，选择“NVIDIA控制面板”。在“NVIDIA控制面板”页面中，点击左下角的“系统信息”，在“系统信息”窗口中点击“组件”，查看第三行显卡所支持的CUDA最高版本，以确定可安装的CUDA版本。
下载CUDA：进入CUDA下载网址，选择系统对应的版本。CUDA工具包有网络安装和离线安装两种方式，网络版会自动选择适合本机的下载，适合网络环境好的时候使用；本地版包含了所有内容，可以直接安装。
(下图是我在下载安装时的界面）

安装完成之后，别忘了再在命令提示符里运行一下以检查安装是不是成功了，在命令提示符中输入“nvcc --version”，若下方出现CUDA版本信息，则说明CUDA已安装成功。
配置环境变量：（一般这个会自动添加）在桌面左下角的Windows系统搜索框中搜索“环境变量”，选择“编辑系统环境变量”。在跳出的系统属性框中点击“环境变量”，在下方的系统变量中可以看到CUDA环境变量已经自动添加。
如果没有自动添加，可以点击“新建”，手动将CUDA安装的路径粘贴进去。通常需要添加的路径有：CUDA_PATH（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X，XX.X为CUDA版本号）、CUDA_PATH_VXX_X（与CUDA_PATH相同）、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X\bin、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXX.X\libnvvp。设置好后依次点击三次“确定”，然后重启电脑。

安装cuDNN

cuDNN是NVIDIA公司开发的一款用于深度神经网络的加速库。它为深度学习框架提供了高度优化的原语，如卷积、池化、归一化和激活函数等操作，能显著提升深度学习模型在NVIDIA GPU上的训练和推理速度，广泛应用于计算机视觉、自然语言处理等诸多深度学习领域，是加速深度学习任务的重要工具。

在下载安装cuDNN时要注意匹配你的CUDA的版本，你可以在cuDNN下载地址里找自己的版本。我的CUDA是12.8，系统是window。
在这里插入图片描述
下载好之后解压，里面三个文件夹是有用的。

复制他们，找到你刚刚安装的CUDA的文件位置，默认是“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA”，把文件粘贴进去就好了。文件夹是同名的，里面的内容会自动合并。

安装torch

有两种方式可以安装torch，一种是比较推荐的通过Anaconda安装，另一种是通过pip安装。

CPU 版本安装

通过Anaconda安装：
若你使用Anaconda来安装CPU版本的PyTorch，可按以下步骤操作：

创建并激活新环境（可选）
为了避免和其他项目的依赖冲突，你可以创建一个新的Anaconda环境。
这里创建了一个名为torch_cpu的环境，Python版本为3.9。你可按需修改环境名和Python版本。

conda create -n torch_cpu python=3.9
conda activate torch_cpu

安装CPU版本的PyTorch
在Anaconda环境里，你可以借助conda命令来安装CPU版本的PyTorch。这个命令会从pytorch通道安装pytorch、torchvision和torchaudio这几个包，并且明确指定安装CPU版本。

conda install pytorch torchvision torchaudio cpuonly -c pytorch

验证安装
安装完成后，你可以通过Python代码来验证PyTorch是否成功安装。

import torch
print(torch.__version__)
print(torch.cuda.is_available())  # 输出应为False，表明是CPU版本

通过pip安装：
如果你选择使用 CPU 进行计算，在你的 Python 环境终端中输入以下命令进行安装：

pip install torch torchvision

执行该命令后，pip 会自动从 PyPI 下载并安装 CPU 版本的 torch 和 torchvision 及其依赖项。

GPU 版本安装

通过pip安装（不推荐）

如果你要使用 GPU 加速，需要根据你的 CUDA 版本选择合适的安装命令。可以到PyTorch 官方网站进行选择。具体步骤如下：

打开 PyTorch 官方安装页面。
在页面中进行如下选择：
- Stable：选择稳定版本，通常建议使用稳定版本以保证软件的稳定性。
- Your OS：选择你使用的操作系统，如 Windows、Linux 或 macOS。
- Package：一般选择 pip，因为我们使用 pip 来安装。
- Language：选择 Python。
- Compute Platform：根据你的 CUDA 版本选择相应的选项。
选择好上述选项后，页面会生成相应的安装命令。（这里生成的命令就是通过pip安装的命令）
将该命令复制到 Visual Studio 2022 的 Python 环境终端中并执行，pip 会从指定的 PyTorch 镜像源下载并安装支持你选择的版本的 torch、torchvision 和 torchaudio 及其依赖项。
例如我这里生成的命令就是：

pip3 install torch torchvision torchaudio -- index-url https://download.pytorch.org/whl/cu126

当然安装时也会存在问题
- 首先是生成的指令里的pip3，这里你要看清楚，你是应该用pip3还是pip，比如我这里就应该用pip。
- 其次就是时间太长了，如下图。一些小的包我都安装过了，不用再安装，但是最后一个，2.5个G要下载两个多小时。
  这就是为什么我不推荐用pip安装，虽然官网上说了conda不行，让用pip安装。但是这个2.5G的东西我真的下了两次，都花了好几个小时，然后在最后关头来一个远程主机强迫关闭了现有连接，我可真是要吐血了。
实际上，我们可以在指令参数中添加 - i 来使用国内镜像源来加快下载速度，以下列举几个来自网络的国内常用镜像源。
可惜我找到的一些：清华大学镜像源网站和阿里云镜像源网站，这些国内镜像的都是CPU版本的，所以镜像了个寂寞，大家看看得了。

# 在安装命令中添加 `-i` 参数并指定阿里云镜像源地址，如下：
# 阿里云镜像源
pip install torch torchvision torchaudio -i https://mirrors.aliyun.com/pypi/simple/
# 清华大学镜像源
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple
# 中国科学技术大学镜像源
pip install torch torchvision torchaudio -i https://pypi.mirrors.ustc.edu.cn/simple/

 另外顺带一提，镜像源开头是pypi的话，镜像的是Pypi的内容，也就是通过pip下载的内容。镜像源开头是mirrors的话，镜像什么都行，所以你看阿里云斜杠后面还挂了个pypi。国内镜像源网站其实很多，希望这样帮大家分清楚一些。

通过Anaconda安装（推荐）

之前上面讲的那个通过PIP安装其实是比较“官方”的，但是人家官方在国外呢，有太多不便。所以，在尝试了两次，每次都在差一点的时候被远程主机强迫关闭了一个现有连接之后。我觉得还是老老实实用国内的镜像源吧。
在这里插入图片描述
在我们之前安装了那一大串之后，现在的安装就简单很多了：

# 创建虚拟环境
conda create -n pytorch_env python=3.9
# 激活虚拟环境
conda activate pytorch_env

如果你和我一样用的是Visual studio 2022，你可能在激活时遇到让你先 conda init，你就按照提示输入，之后重启终端。
如果重启之后报错，试试Get-ExecutionPolicy,如果输出是Restricted（受限），可以尝试Set-ExecutionPolicy RemoteSigned。 RemoteSigned 策略表示允许运行本地编写的脚本，对于从网络下载的脚本则需要数字签名才能运行，相对比较安全且能满足 Anaconda 等工具的使用需求。之后再次重启终端。

没激活之前的时候是base，激活之后是你的虚拟空间名。
在这里插入图片描述

此时，再运行命令安装：

# 安装torch
conda install pytorch torchvision torchaudio pytorch-cuda=版本 -c nvidia
# 截止2025.3.15，清华镜像源里最高版本是12.4
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

验证安装

安装完成后，你可以创建一个 Python 脚本，输入以下代码来验证 torch 和 torchvision 是否安装成功：

import torch
import torchvisionprint(torch.__version__)
print(torchvision.__version__)# 如果你安装的是 GPU 版本，还可以验证 GPU 是否可用
# 顺带一提，新的虚拟环境里编码器可能和你现在的解码器不一样，需要重新设置，比如UTF-8，不然这些中文注释会报错。 
if torch.cuda.is_available():print("GPU is available")
else:print("GPU is not available")