【保姆级教程】PyTorch GPU/CPU 版安装全攻略！

在深度学习领域，选择一款合适的框架是入门的关键第一步。目前主流的深度学习框架各有优劣，今天我们就先对常用框架进行横向对比，帮你理清思路，再重点拆解 PyTorch 的安装全过程，无论你是刚接触深度学习的小白，还是需要更换框架的开发者，都能跟着一步步完成操作。​

一、主流深度学习框架横向对比，PyTorch 凭什么脱颖而出？​

在开始 PyTorch 的安装教程前，我们先看看市面上主流的深度学习框架都有哪些特点，方便你理解为什么越来越多人选择 PyTorch。​

1. Caffe​

• 优点：搭建深度神经网络模型仅需配置文件，无需大量手写代码，对于固定结构的模型开发较为便捷。​

• 缺点：安装过程十分繁琐，对环境配置要求苛刻；而且近几年几乎不再更新，缺乏很多新的网络模型支持，在当前快速发展的深度学习领域逐渐落后。​

2. TensorFlow​

• 1.x 版本缺点：代码冗余度高，语法逻辑相对复杂，上手难度较大，对新手不太友好。​

• 2.x 版本特点：收购了 Keras 并将其整合，简化了部分操作，但存在一个关键问题 —— 代码不兼容 1.x 版本，导致很多旧项目迁移时需要大量修改。​

3. Keras​

• 优点：基于 TensorFlow 做了高度封装，极大简化了代码难度，API 设计简洁易懂，新手能快速搭建简单模型。​

• 局限性：灵活性较低，对于需要深度定制网络结构或底层优化的场景，很难满足需求，本质上还是依赖于 TensorFlow 的生态。​

4. PyTorch​

• 核心优势：极易上手！采用动态计算图，代码逻辑更贴近 Python 原生语法，而且有大量现成的模板可以直接套用，无论是模型搭建、训练调试还是部署，都比其他框架更灵活高效。也正因为这些优点，PyTorch 成为了如今学术研究和工业界应用的热门选择。​

二、安装 PyTorch 前的关键一步：确定 CUDA 版本​

如果你想安装 PyTorch GPU 版本（利用 GPU 加速模型训练，大幅提升效率），就必须先确定自己电脑的 CUDA 版本，这是后续选择对应 PyTorch 版本的核心依据。​

1. 什么是 CUDA？​

CUDA 是 NVIDIA 推出的一种操作 GPU 计算的硬件和软件架构，它是建立在 NVIDIA GPU 上的通用并行计算平台和编程模型。简单来说，CUDA 为开发者提供了 GPU 编程的简易接口，基于 CUDA 编程可以构建 GPU 计算应用程序，利用 GPU 的并行计算引擎高效解决复杂计算难题，无需将计算映射到图形 API，是实现 GPU 加速深度学习的关键技术。​

2. 如何查看 CUDA 版本？​

打开电脑的命令提示符（CMD），在其中输入以下命令并回车：​

nvidia-smi​

执行命令后，界面会显示 NVIDIA 显卡的相关信息，其中就包含了 CUDA 的版本号，记好这个版本号，后续选择 PyTorch 版本时会用到。​

三、PyTorch 安装全流程：从官网选择到命令安装​

掌握了 CUDA 版本信息后，我们就可以正式开始安装 PyTorch 了，整个过程分为 “官网版本选择”“下载对应安装包”“命令行安装” 三步，每一步都有详细说明，跟着做准没错。​

1. 进入 PyTorch 官网，选择正确版本​

首先打开 PyTorch 官网，注意官网地址是pytorch.org，一定要区分.org 后缀与.com、.cn 等商业网站，避免进入非官方平台导致安装包错误。​

进入官网后下滑，会看到下图界面

• 版本选择：优先选择稳定版（如 2.8.0），预览版（preview）可能存在 bug，不适合新手或正式项目使用。​

• 系统要求：支持 Windows 和 Linux 系统，Python 版本需≥3.7，这里推荐 Python 3.9 版本，兼容性更好，后续操作也以 Python 3.9 为例。​

• 安装方式：优先选择pip 包管理工具安装，不建议源码（source）安装，源码安装需要配置编译环境，步骤复杂，容易出错。​

• 计算平台：根据硬件选择 —— 有 NVIDIA 显卡且已确定 CUDA 版本的，选择CUDA（GPU 加速） 版本；没有独立显卡或不需要 GPU 加速的，选择CPU版本。​

• 语言支持：主要支持 Python，C++/Java 可用于辅助开发，日常深度学习开发用 Python 即可。​

选好以上内容后，下方会出现一个网址，复制该网址，进入网页

网址展现网页：

找到torch torchaudio torchvision

进入torch会有很多版本torch

这个图示意思是：1.13.0的cpu版本win：表示windows

cp39：python版本是3.9版本

同理：cu表示cuda版本，其他与上方表示一样

尽量不要超过最高支持版本

招到后点击即可下载

2. 下载 torch、torchaudio、torchvision 安装包​

当你在官网选择好系统、Python 版本、计算平台（CUDA/CPU）后，下方会出现一个对应的下载网址，复制该网址并在浏览器中打开，进入安装包选择界面。​

在这个界面中，找到torch、torchaudio、torchvision三个安装包的分类，分别进入对应的分类页面选择合适的版本。​

• “1.13.0”：表示 PyTorch 的版本号；​

• “cpu”：表示该版本适用于 CPU 计算平台，若为 “cuXX”（如 cu117），则表示适用于 XX 版本的 CUDA（如 11.7 版本）；​cu是GPU版本，没有GPU的安装cpu版本

• “cp39”：表示对应的 Python 版本是 3.9；​

• “win”：表示适用于 Windows 系统；​

• “amd64”：表示适用于 64 位操作系统。​

选择时要注意：尽量不要超过电脑 CUDA 的最高支持版本，否则会出现兼容性问题。找到对应的安装包后，点击即可下载，将三个安装包保存到同一个文件夹中，并记住该文件夹的路径（后续安装需要用到）。

3. 命令行执行安装，完成 PyTorch 部署​

打开命令提示符（CMD），先通过 “cd” 命令切换到安装包所在的文件夹路径，也可以直接在安装包所在文件夹的地址栏输入 “CMD” 并回车，快速打开对应路径的命令提示符。​

以 Python 3.9 版本、安装包保存路径为 “D:\pythonProject11\ 深度学习” 为例，在命令提示符中输入以下命令（分别安装 torch、torchaudio、torchvision）：​

1. 安装 torch：​

pip3.9 install D:\pythonProject11\深度学习\torch-1.13.0+cpu-cp39-cp39-win_amd64.whl​

1. 安装 torchaudio：​

pip3.9 install D:\pythonProject11\深度学习\torchaudio-对应版本+cpu-cp39-cp39-win_amd64.whl​

1. 安装 torchvision：​

pip3.9 install D:\pythonProject11\深度学习\torchvision-对应版本+cpu-cp39-cp39-win_amd64.whl​

注意将命令中的 “对应版本” 替换为你实际下载的 torchaudio 和 torchvision 的版本号，执行命令后，等待安装包下载并自动完成安装即可。​

四、CPU 与 GPU 对比：为什么建议优先选择 GPU 版本？​

很多新手可能会疑惑，为什么要花精力安装 GPU 版本的 PyTorch？这里我们就从 CPU 和 GPU 的结构、功能差异入手，帮你理解 GPU 在深度学习中的优势。​

1. CPU：不适合大规模并行计算​

• 定义：中央处理器，主要功能是处理和控制电脑的各项任务，是电脑的 “大脑”。​

• 组成：控制单元（25%）、运算单元（25%）、缓存单元（50%），运算单元占比低，决定了它不擅长大规模并行计算。​

• 运算限制：处理图像等需要并行计算的任务时，只能将大图片切割成小块，依次处理后再合并，效率极低；面对大矩阵运算时，也需要切割后分步计算。​

• 核心特点：擅长多任务处理和逻辑控制，但在深度学习所需的大规模数据并行计算上表现不佳。​

2. GPU：深度学习的 “加速引擎”​

• 定义：图像处理器，最初设计用于游戏画面处理，如今已广泛应用于人工智能深度学习领域。​

• 结构：90% 运算单元、5% 控制单元、5% 缓存单元，运算单元占比极高，天生适合并行计算。​

• 关键指标（选购或评估 GPU 时重点关注）：​

• 显存容量：决定算力空间的最重要指标，例如 RTX 4090 的显存为 24GB，显存越大，能处理的模型和数据规模越大；​

• 显存频率：处理数据的速度指标，常见范围从 1600MHz 到 5000MHz 不等，频率越高，数据处理速度越快；​

• 显存位宽：单周期传输数据的位数，常见范围从 64 位到 384 位，位宽越大，数据传输能力越强。​

• 核心特点：擅长并行计算，能同时处理大量数据，PyTorch 等深度学习框架能调度 GPU 算力，大幅加速模型训练过程，将原本需要几天的训练任务缩短到几小时。​

3. GPU 与 CPU 的核心区别​

CPU 重控制和多任务处理，GPU 重并行计算；在深度学习中，使用 GPU 训练模型的效率远超 CPU，因此只要电脑有 NVIDIA 独立显卡，都建议优先安装 PyTorch GPU 版本。​

五、安装后验证与问题排查（填充区）​

1. 安装完成后，如何验证 PyTorch 是否成功安装？可以在 Python 环境中输入以下代码：​

import torch​

print(torch.__version__) # 查看PyTorch版本​

print(torch.cuda.is_available()) # 查看GPU是否可用，返回True表示GPU版本安装成功且能正常使用​

​