pytorch安装GPU版本 (Cuda12.1)教程: Windows、Mac和Linux系统快速安装指南

GPU版本PyTorch（CUDA 12.1）清华源快速安装教程

摘要

本教程将为您提供在Windows、Mac和Linux系统上安装和配置GPU版本的PyTorch（CUDA 12.1）的详细步骤。我们将使用清华大学开源软件镜像站作为软件源以加快下载速度。在今天的学习中，您将学会如何在不同操作系统上轻松安装和配置深度学习框架PyTorch，为您的AI项目做好准备。

前言

PyTorch是一个流行的开源深度学习框架，由Facebook AI Research实验室开发和维护。它提供了广泛的工具和函数，用于构建和训练各种神经网络模型。GPU版本的PyTorch可以利用GPU的并行计算能力来加速训练过程，从而显著提高深度学习模型的训练速度。

在本教程中，我们将分别介绍在Windows系统、Mac系统和Linux系统上安装和配置GPU版本的PyTorch（CUDA 12.1）。我们将使用清华大学开源软件镜像站作为软件源，以便快速下载所需的软件包。

1. 在Windows系统上安装GPU版本PyTorch（CUDA 12.1）

步骤1：检查GPU兼容性

首先，确保您的Windows计算机配备了兼容的NVIDIA GPU。访问NVIDIA官方网站查找GPU的兼容性列表。

步骤2：安装NVIDIA驱动程序

前往NVIDIA官方网站下载并安装适用于您的GPU型号的最新驱动程序。

步骤3：安装CUDA Toolkit

从NVIDIA官方网站下载并安装与您的GPU兼容的CUDA Toolkit（版本12.1）。

步骤4：配置环境变量

将CUDA Toolkit的安装路径添加到系统环境变量中，以便PyTorch能够正确找到CUDA。

步骤5：创建虚拟环境

使用Anaconda创建一个新的虚拟环境（如pytorch310），并激活它。

步骤6：设置清华源

在虚拟环境中，使用以下命令设置清华源以加速安装过程：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

步骤7：安装PyTorch

使用以下命令在Windows系统上安装GPU版本的PyTorch（CUDA 12.1）：

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 -f https://download.pytorch.org/whl/torch_stable.html

步骤8：验证安装是否成功

在Python环境中运行以下代码来验证是否成功安装了GPU版本的PyTorch：

import torch
print(torch.cuda.is_available())

如果输出结果为True，则说明PyTorch成功使用了GPU加速，安装完成。

2. 在Mac系统上安装GPU版本PyTorch（CUDA 12.1）

步骤1：检查GPU兼容性

确保您的Mac计算机搭载了支持Metal的GPU。访问苹果官方网站查找GPU的兼容性列表。

步骤2：安装Xcode

从Mac App Store下载并安装Xcode，它包含必要的开发工具和编译器。

步骤3：安装Homebrew

在终端中运行安装Homebrew的命令，以便之后安装其他软件。

步骤4：安装CUDA Toolkit

使用Homebrew安装与您的Mac GPU兼容的CUDA Toolkit（版本12.1）：

brew install --cask cuda@11.1

步骤5：创建虚拟环境

使用Anaconda创建一个新的虚拟环境（如pytorch310），并激活它。

步骤6：设置清华源

在虚拟环境中，使用以下命令设置清华源以加速安装过程：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

步骤7：安装PyTorch

使用以下命令在Mac系统上安装GPU版本的PyTorch（CUDA 12.1）：

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 -f https://download.pytorch.org/whl/torch_stable.html

步骤8：验证安装是否成功

在Python环境中运行以下代码来验证是否成功安装了GPU版本的PyTorch：

import torch
print(torch.cuda.is_available())

如果输出结果为True，则说明PyTorch成功使用了GPU加速，安装完成。

3. 在Linux系统上安装GPU版本PyTorch（CUDA 12.1）

步骤1：检查GPU兼容性

确保您的Linux计算机搭载了兼容的NVIDIA GPU。访问NVIDIA官方网站查找GPU的兼容性列表。

步骤2：安装NVIDIA驱动程序

根据您的Linux发行版，从NVIDIA官方网站或使用包管理器安装适用于您的GPU型号的最新驱动程序。

步骤3：安装CUDA Toolkit

使用以下命令在Linux系统上下载并安装与您的GPU兼容的CUDA Toolkit（版本12.1）：

wget https://developer.download.nvidia.com/compute

/cuda/11.1.1/local_installers/cuda_11.1.1_455.32.00_linux.run
sudo sh cuda_11.1.1_455.32.00_linux.run

步骤4：配置环境变量

将CUDA Toolkit的安装路径添加到系统环境变量中，以便PyTorch能够正确找到CUDA。

步骤5：创建虚拟环境

使用Anaconda创建一个新的虚拟环境（如pytorch310），并激活它。

步骤6：设置清华源

在虚拟环境中，使用以下命令设置清华源以加速安装过程：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

步骤7：安装PyTorch

使用以下命令在Linux系统上安装GPU版本的PyTorch（CUDA 12.1）：

pip install torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 -f https://download.pytorch.org/whl/torch_stable.html

步骤8：验证安装是否成功

在Python环境中运行以下代码来验证是否成功安装了GPU版本的PyTorch：

import torch
print(torch.cuda.is_available())

如果输出结果为True，则说明PyTorch成功使用了GPU加速，安装完成。

今日学习总结

在本教程中，我们详细介绍了在Windows、Mac和Linux系统上安装和配置GPU版本的PyTorch（CUDA 12.1）。您学会了检查GPU兼容性、安装NVIDIA驱动程序和CUDA Toolkit、设置环境变量以及使用清华源加速安装过程。最后，您还验证了PyTorch是否成功使用了GPU加速。

通过学习本教程，您现在已经掌握了在不同操作系统上安装GPU版本PyTorch的方法，为深度学习项目的开发和研究做好了准备。祝您在未来的学习和实践中取得更多成果！如有任何问题或疑惑，请随时留言，我们将乐意为您解答。感谢您的阅读！