PyTorch在Debian上的使用教程

1. 准备工作：更新系统并安装基础依赖

在开始安装PyTorch前，需确保Debian系统为最新状态，并安装Python及pip（PyTorch的包管理工具）。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 python3 python3-pip -y # 安装Python3及pip 

这一步是后续安装的基础，确保系统包和Python环境符合要求。

2. （可选但推荐）创建虚拟环境

为避免项目依赖冲突，建议使用虚拟环境隔离PyTorch及相关库。以venv模块为例：

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） 

激活后，所有后续安装的包都会隔离在该环境中，不影响系统全局Python环境。

3. 安装PyTorch：选择CPU或GPU版本

PyTorch提供CPU和GPU（CUDA加速）两种版本，需根据硬件配置选择：

3.1 CPU版本（无GPU加速）

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：

pip install torch torchvision torchaudio # 安装PyTorch核心库及常用扩展 

3.2 GPU版本（需CUDA支持）

若需GPU加速，需先确保系统安装了兼容的NVIDIA驱动和CUDA Toolkit（具体版本要求参考PyTorch官网），再通过pip安装对应CUDA版本的PyTorch。例如：

• CUDA 11.7版本：

  pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 

• CUDA 12.0版本：

  pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu120 

注：CUDA版本需与显卡驱动版本匹配（如CUDA 11.7需驱动版本≥515.65.01），可通过nvidia-smi命令查看驱动版本。

4. 验证PyTorch安装

安装完成后，通过Python交互环境验证PyTorch是否安装成功及CUDA是否可用：

import torch print("PyTorch版本:", torch.__version__) # 打印PyTorch版本号 print("CUDA是否可用:", torch.cuda.is_available()) # 若为True，说明GPU加速可用 

若输出类似以下结果，则说明安装成功：

PyTorch版本: 2.1.0 CUDA是否可用: True 

5. （可选）安装其他常用依赖

根据项目需求，可能需要安装数据处理、可视化等工具库，例如：

pip install numpy pandas matplotlib seaborn # 安装数值计算、数据分析及可视化库 

6. （可选）使用conda安装PyTorch

若更习惯使用conda（Anaconda/Miniconda）管理环境，也可通过conda安装PyTorch：

• 安装Miniconda（若未安装）：

  wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 按提示完成安装 

• 创建conda环境并安装PyTorch：

  conda create -n pytorch_env python=3.9 -y # 创建名为pytorch_env的环境（Python 3.9） conda activate pytorch_env # 激活环境 conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch # 安装CUDA 11.7版本PyTorch 

conda会自动处理依赖关系，适合需要复杂环境管理的场景。

注意事项

• CUDA兼容性：若使用GPU版本，需确保CUDA Toolkit版本与PyTorch版本匹配（参考PyTorch官网的最新兼容列表）。
• 驱动更新：NVIDIA驱动需提前安装并更新至最新版本，否则可能导致CUDA无法正常工作。
• 虚拟环境：强烈建议使用虚拟环境，避免依赖冲突导致的安装或运行问题。