📚 课程目录第4章深度学习框架安装（PyTorch）

4、深度学习框架安装（PyTorch）：PyTorch 2.0+ 安装（CPU/GPU版本）、CUDA与cuDNN版本匹配、验证安装与简单张量运算、常见安装报错与解决

好，咱们进入第四章。前面把系统、Python、依赖库都捋顺了，现在轮到主角——PyTorch。说实话，PyTorch 的安装本身不难，难的是版本匹配。我见过太多人卡在这一步，装完跑不起来，一查全是 CUDA 和 PyTorch 版本对不上。

这一章，咱们就把 PyTorch 2.0+ 的安装彻底讲透。CPU 版、GPU 版、CUDA 怎么选、cuDNN 怎么配、装完怎么验证、报错了怎么救。你跟着我的节奏走，基本不会出问题。

4.1 PyTorch 2.0+ 版本选择：CPU 还是 GPU？

先问自己一个问题：你的机器有没有 NVIDIA 显卡？

有显卡（且支持 CUDA）：必须装 GPU 版本。工业缺陷检测模型推理和训练都依赖 GPU 加速，CPU 版跑一个 ResNet 都能让你等到怀疑人生。
没显卡 / 显卡太老（比如 GTX 7xx 系列）：装 CPU 版本。或者考虑用云 GPU、边缘计算盒子。
有显卡但显存小（4GB 以下）：GPU 版可以装，但训练大模型会爆显存。推理小模型（比如 MobileNet）没问题。

我的建议： 只要条件允许，一律上 GPU 版本。哪怕你暂时只用 CPU 调试，装 GPU 版也能在 CPU 上 fallback 运行。反过来不行——CPU 版用不了 GPU。

4.2 CUDA 与 cuDNN 版本匹配——这是最容易踩坑的地方

PyTorch 2.0+ 对 CUDA 版本有明确要求。我直接给你一张对照表，省得你去官网翻。

PyTorch 版本	支持的 CUDA 版本	推荐的 cuDNN 版本	备注
2.0.x	11.7 / 11.8	8.5.0 或 8.6.0	最稳定组合
2.1.x	11.8 / 12.1	8.7.0 或 8.9.0	推荐 11.8 + cuDNN 8.7
2.2.x	11.8 / 12.1	8.9.0 或 9.0.0	12.1 开始支持 cuDNN 9.x
2.3.x	11.8 / 12.1 / 12.4	8.9.0 / 9.1.0	最新版，建议 12.1

我曾经踩过的坑： 有一次我装了 PyTorch 2.1.0，但 CUDA 是 12.0（不在支持列表里）。结果训练到一半直接报 CUDA error: no kernel image is available。折腾了两天才发现是版本不匹配。所以，一定先查 PyTorch 官方支持的 CUDA 版本，再装驱动。

4.3 安装步骤（GPU 版本为例）

咱们以 PyTorch 2.1.0 + CUDA 11.8 为例。这是目前工业界最稳的组合之一。

步骤 1：确认 NVIDIA 驱动与 CUDA 版本

先看看你机器上有没有驱动：

nvidia-smi

如果输出里能看到 GPU 型号和驱动版本，说明驱动已装。再看 CUDA 版本：

nvcc --version

如果没装 CUDA Toolkit，或者版本不对，去 NVIDIA 官网下载对应版本。我个人习惯用 runfile 方式安装，干净、可控。

步骤 2：安装 cuDNN

cuDNN 是 CUDA 的深度学习加速库。下载需要注册 NVIDIA 账号，但值得。

去 NVIDIA cuDNN 页面下载对应 CUDA 11.8 的 cuDNN 8.6.0。
解压后把文件复制到 CUDA 安装目录：

# 假设 CUDA 安装在 /usr/local/cuda-11.8
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-11.8/include/
sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda-11.8/lib64/
sudo chmod a+r /usr/local/cuda-11.8/include/cudnn*.h /usr/local/cuda-11.8/lib64/libcudnn*

步骤 3：创建虚拟环境并安装 PyTorch

conda create -n pytorch21 python=3.10 -y
conda activate pytorch21

# 安装 PyTorch 2.1.0 + CUDA 11.8
pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

为什么用 pip 而不是 conda？ 我个人经验，conda 的 PyTorch 包有时会滞后，而且依赖解析容易出问题。pip 直接从 PyTorch 官方源拉，版本准、速度快。当然，如果你在离线环境，提前下载 whl 文件再 pip install 也行。

4.4 验证安装与简单张量运算

装完别急着跑模型。先做三件事验证：

验证 1：PyTorch 能否正常导入

python -c "import torch; print(torch.__version__)"

输出应该是 2.1.0 或你装的版本。

验证 2：CUDA 是否可用

python -c "import torch; print(torch.cuda.is_available())"

输出 True 说明 GPU 可用。如果 False，检查 CUDA 版本是否匹配、cuDNN 是否装对。

验证 3：简单张量运算

跑一段代码，看看 GPU 能不能真正干活：

import torch

# 在 GPU 上创建张量
x = torch.randn(3, 3).cuda()
y = torch.randn(3, 3).cuda()
z = x + y

print("x:", x)
print("y:", y)
print("x + y:", z)
print("Device:", z.device)

如果输出显示 Device: cuda:0，恭喜你，环境搭好了。

4.5 常见安装报错与解决

这部分是我从实际项目中攒下来的。你遇到问题直接来查。

报错信息	原因	解决方法
`CUDA error: no kernel image is available`	PyTorch 与 CUDA 版本不匹配	卸载 PyTorch，安装与 CUDA 匹配的版本
`ImportError: libcudart.so.11.0: cannot open shared object file`	CUDA 库路径未设置	添加 `export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH`
`RuntimeError: CUDA out of memory`	显存不足	减小 batch size，或使用 `torch.cuda.empty_cache()`
`pip install 超时或下载慢`	网络问题	使用国内镜像源：`pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==2.1.0`
`torch.cuda.is_available() 返回 False`	驱动未装 / 版本不对 / cuDNN 缺失	依次检查：`nvidia-smi` → `nvcc --version` → cuDNN 文件是否存在

  避坑指南： 我曾经在客户现场遇到一个诡异问题——torch.cuda.is_available() 返回 True，但一跑模型就报 CUDA error: device-side assert triggered。查了两天，最后发现是 cuDNN 版本和 PyTorch 不兼容。所以，cuDNN 版本一定要在 PyTorch 官方推荐的列表里，别自己乱试。

4.6 本章知识结构图

下面这张图帮你理清整个安装流程和关键决策点：

嗯，到这里 PyTorch 环境就搭好了。你可能会问：装完是不是就能直接跑模型了？别急，下一章咱们要处理工业缺陷检测特有的依赖——比如图像增强库、ONNX 导出工具、TensorRT 的集成。这些才是真正让模型在产线上跑起来的关键。

不过那是后话。先把 PyTorch 装稳，跑通张量运算，你就算过了第一关。