PyTorch安装方式全面归纳

一、核心安装命令对比

1. 标准安装命令（最新稳定版）

1
2
3
4
5


# Conda（自动处理CUDA依赖）
conda install pytorch torchvision torchaudio pytorch-cuda=13.0 -c pytorch -c nvidia

# Pip（需系统已安装CUDA）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130

2. CUDA版本对应表

CUDA版本	Conda命令	Pip索引URL
13.0	`pytorch-cuda=13.0`	`https://.../whl/cu130`
12.1	`pytorch-cuda=12.1`	`https://.../whl/cu121`
11.8	`pytorch-cuda=11.8`	`https://.../whl/cu118`
CPU	`cpuonly`	不加=–index-url=参数

二、Conda与Pip的本质区别

维度	Conda	Pip
管理范围	跨语言包管理器	Python专用包管理器
依赖处理	自动安装二进制依赖（CUDA/cuDNN等）	仅Python包，需手动安装系统依赖
环境隔离	内置完整环境隔离	依赖venv/virtualenv
适用场景	科学计算、深度学习、多语言项目	纯Python项目、生产部署
国内镜像	清华源、中科大源等	清华源、阿里源等

三、国内镜像源使用策略

1. 已配置清华源的情况

1
2
3
4
5


# 优先尝试（不指定通道，让conda自动选择）
conda install pytorch torchvision torchaudio pytorch-cuda=13.0

# 如果清华源没有，强制使用官方源
conda install ... -c pytorch -c nvidia --override-channels

2. 清华源配置命令

1
2
3
4
5
6


# 配置conda清华源
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/

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

四、安装流程决策树

开始安装PyTorch
    ↓
是否有GPU？ → 否 → 安装CPU版本
    ↓是
CUDA版本？ → 检查 nvidia-smi
    ↓
选择安装方式：
├─ Conda（推荐新手、Windows用户）
│   ├─ 已配清华源 → conda install pytorch...
│   └─ 未配/无包 → conda install ... -c pytorch -c nvidia
│
└─ Pip（推荐生产、Docker环境）
    ├─ 系统已装CUDA → pip install torch... --index-url cuXXX
    └─ 需装CUDA → 先安装CUDA Toolkit，再pip安装

五、验证安装的正确方式

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA版本: {torch.version.cuda}")
    print(f"GPU名称: {torch.cuda.get_device_name(0)}")
    
# 简单测试
x = torch.randn(3, 3).cuda()
print(f"GPU计算测试通过: {x.sum()}")

六、各场景推荐方案

1. 学术研究/实验环境

1
2
3
4


# 使用Conda创建独立环境
conda create -n research python=3.10
conda activate research
conda install pytorch torchvision torchaudio pytorch-cuda=13.0

2. 生产服务器部署

1
2
3


# 使用Docker + Pip
FROM nvidia/cuda:13.0-base
RUN pip install torch torchvision torchaudio --index-url https://.../cu130

3. 团队协作项目

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13


# 使用environment.yml（Conda）
# environment.yml内容：
name: project_env
channels:
  - pytorch
  - nvidia
  - defaults
dependencies:
  - python=3.10
  - pytorch=2.0.0
  - torchvision
  - torchaudio
  - pytorch-cuda=13.0

4. 离线/内网环境

1
2
3
4
5
6
7
8
9


# 在有网环境下载包
conda pack -n pytorch_env -o pytorch_env.tar.gz
# 或
pip download torch torchvision torchaudio --index-url ...

# 离线环境安装
conda create -n pytorch_env --offline --file pkgs.txt
# 或
pip install --no-index --find-links=./packages torch

七、常见问题速查

问题	可能原因	解决方案
CUDA不可用	1. 驱动版本低2. CUDA版本不匹配3. 安装了CPU版本	更新驱动、检查CUDA版本、重装GPU版本
安装太慢	网络问题	使用国内镜像源、设置超时参数
包冲突	环境中有冲突包	创建新环境、使用conda clean
内存不足	包太大或内存小	使用pip安装、清理缓存

八、最佳实践总结

*环境隔离优先*：始终在虚拟环境中安装
*版本明确*：生产环境固定版本号
*镜像加速*：国内用户优先配置清华源
*验证安装*：安装后务必运行验证脚本
*文档记录*：记录安装命令和环境配置

九、一句话选择指南

新手/Windows/快速开始 → Conda安装（自动处理依赖）
生产/服务器/Docker → Pip安装（轻量可控）
国内网络 → 配置清华源加速
团队协作 → 使用environment.yml固化环境
特定版本 → 明确指定版本号和CUDA版本

记住：*没有绝对最好的方式，只有最适合当前场景的方式*。根据具体需求选择，并保持团队内的一致性。