Pytorch安装全流程AnacondaPycharm1. 引言2. 安装Anaconda 和Pycharm3. 修改 conda 源和 pip 源3.1 修改 conda 源3.2 修改 pip 源3. 创建虚拟环境4. 安装 PyTorch4.1 查看官方安装命令4.2 CPU 版本安装4.3 GPU 版本安装5. 验证安装6. 配置 PyCharm测试是否成功安装7. 总结1. 引言PyTorch 是目前最流行的深度学习框架之一其动态计算图特性让模型开发更加灵活直观。本文将详细介绍在 Windows 环境下基于 Anaconda 和 PyCharm 完成 PyTorch 安装的完整步骤帮助初学者快速搭建深度学习开发环境。2. 安装Anaconda 和PycharmAnaconda是用于管理Python环境的软件Pycharm则是我们写代码的软件。这两个软件的安装方法都十分简单都是“下一步下一步”的安装方法。这里重点说一下安装版本的问题。Anaconda版本的影响Anaconda版本主要影响Python的最高版本例如2020.07及以前默认Python 3.8或更早2021.05后逐步过渡到3.9新版本则支持3.11、3.12等。如果项目依赖某个Python版本装错Anaconda版本可能要多费一步创建环境。‌‌因此Anaconda版本不宜太老旧。Anaconda官方下载网址在这里Anaconda官方下载地址。Pycharm版本的影响Pycharm的社区版本community版本是免费的我们使用社区版即可下载地址在Pycharm官网这里需要注意的是即使是不同版本的社区版其软件界面可能会不一样具体体现在不同功能所在的位置、菜单会发生变化这在创建项目的时候尤为明显。但是功能实际上是一样的。因此如果您是初学者建议您使用和我一样的版本连接在这里本文所用Pycharm版本如果您想要尝试其他版本也可以但是需要您自行探索一下各个功能的位置不要选错。一般而言我们对上述两个软件的版本都没有要求但是初学还是推荐和我们使用一样的Pycharm版本这个版本是经过验证并且我认为相当好用的版本Bug很少界面也简单。Anaconda则直接使用官网版本即可。两个软件下载下来之后一路“无脑”下一步下一步即可。友情提示最好不要把软件装到C盘正确做法是在C盘之外的地方建立一个文件夹不要取中文名我一般会取“softwareinstalled”这个名字然后将所有软件在这个文件夹中分子文件夹安装。下图就是我安装好之后的文件夹情况供大家参考。Anaconda安装好之后开始菜单中会出现“Anaconda Prompt”这个软件如下图如果找不到可以直接在开始菜单输入“Anaconda”进行搜索。另外大家最好记住自己Anaconda装在哪后续选择解释器的时候要找Anaconda的路径的。好了到此为止所有需要的软件都下载并且安装好了现在我们相当于也有了基本的Python环境。但是这个环境还需要配置一些东西。因为之后很多的第三方包都来自于Conda源和pip源意思就是说我们需要的一些文件Anaconda会自动从某个服务器上下载但是这些服务器可能都在国外因此下载速度会很慢所以我们要更换这个服务器到国内的服务器镜像中这个过程叫做“换源”。3. 修改 conda 源和 pip 源由于默认的官方源服务器位于国外下载速度较慢建议先更换为国内镜像源以加快后续安装速度。3.1 修改 conda 源在 Anaconda Prompt 中执行以下命令将 conda 源更换为清华镜像源conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config--addchannels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config--setshow_channel_urlsyes上述操作过程就是在开始菜单启动Anaconda Prompt然后将上面的代码复制到弹出来的黑框中然后回车。注意哦上面的命令最好复制一条执行一条。执行完成后可以查看 配置是否生效conda config--showchannels最终channels显示之前添加过的源就是网址就算是成功了。3.2 修改 pip 源在命令行中执行以下命令将 pip 源更换为清华镜像源pip configsetglobal.index-url https://pypi.tuna.tsinghua.edu.cn/simple也可以使用阿里云镜像源pip configsetglobal.index-url https://mirrors.aliyun.com/pypi/simple/配置完成后后续使用pip install安装包时将自动从国内镜像源下载速度会明显提升。在开始安装之前需要先确认以下准备工作安装 Anaconda推荐使用 Python 3.8 及以上版本安装 PyCharm社区版或专业版均可确认电脑是否配备 NVIDIA 显卡用于 CUDA 版本选择3. 创建虚拟环境打开 Anaconda Prompt执行以下命令创建独立的 Python 虚拟环境conda create-npytorchpython3.9上面的命令中-n 之后的内容就是你要创建的环境名称创建完成后Anaconda目录的envs文件夹中会多出一个叫做“pytorch”的文件夹没错就是和你之前创建的环境名字相同。为了确认环境安装成功我们可以使用命令conda info--envs上面的命令列出目前这台机器上的所有环境如下注意每个人创建的环境数量、名称都不一样下面图中显示的是我自己的电脑上的最左边显示的是环境名称右边显示的是每个环境所在的目录。这个目录里面包含了Python解释器如果你忘记自己Anaconda装在哪里了或者不知道Python解释器的位置可以依靠这个命令进行查找。要在这个环境中安装Pytoch库首先要激活该环境conda activate pytorch注意到激活之后命令提示符最左边的环境由(base)摆成了(pytorch)此时我们就可以安装Pytorch了。4. 安装 PyTorch4.1 查看官方安装命令访问 PyTorch 官网根据系统配置选择对应的安装命令。从上到下分别是选择版本操作系统安装包类型编程语言计算平台最下方是根据你的选项生成的代码。因此安装Pytorch的时候我们只需要选择好然后将最下方的【Run this Command】后面的命令复制到Anaconda Prompt中即可。4.2 CPU 版本安装如果电脑没有独立显卡那么只能安装CPU版本在Anaconda中执行以下代码安装pip3installtorch torchvision torchaudio整个安装过程会自动完成最后显示“successful”字样就是成功了。4.3 GPU 版本安装如果电脑配备 NVIDIA 显卡要先看显卡支持的最高CUDA版本是多少。从上面的图中可以看出Pytorch2.14.0版本支持的CUDA版本最低是12.6最高是13.2如果您的显卡最高只能支持12.0版本的CUDA那么您就没有办法安装2.14.0的GPU版本Pytorch。那么如何查看显卡支持的最高CUDA版本呢在命令行中使用命令命令行打开方式为按下WindowsR键输入cmd然后回车如下图nvidia-smi可以看到我的显卡最高支持CUDA版本为12.9那么我就只能选择CUDA12.6版本的Pytorch如下图然后执行对应的安装命令例如pipinstalltorch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118最后复制最下方的命令到Anaconda Prompt执行即可。历史版本的Pytorch安装命令可以在这里找到历史版本的Pytorch如果你使用AMD显卡那么只能使用ROCm加速但是ROCm仅支持Linux操作系统所以如果你要使用AMD显卡加速那么就要换系统了那这又是另一个故事了。如果你是用Intel的显卡或者具有NPU加速的IntelCPU那么你可以使用DirectML来加速但是这又是另一个故事了。总之一开始入门先使用CPU版本吧。5. 验证安装安装完成后在命令行中执行以下命令验证 PyTorch 是否安装成功importtorchprint(torch.__version__)print(torch.cuda.is_available())如果输出版本号且cuda.is_available()返回TrueGPU 版本说明安装成功。如果不会这样验证那就直接进Pycharm试试吧。6. 配置 PyCharm测试是否成功安装打开 PyCharm点击New Project→输入项目名字→ 设置Python Interpreter点击倒三角展开Python Interpreter选项选择Previously configured Interpreter→Add Interpreter→Add Local Interpreter选择System Interpreter找到刚才创建的pytorch环境点击OK完成配置这里我指定的是我之前配置好的Pytoch名字叫做【ptgpu】大家指定自己的即可。创建项目后这个项目就可以使用Pytoch了。可以使用下面的脚本测试一下importtorchprint(torch.__version__)7. 总结通过以上步骤即可完成 PyTorch 开发环境的搭建。核心要点包括创建独立虚拟环境、根据硬件选择合适的安装命令、验证安装结果、在 PyCharm 中配置解释器。后续即可开始深度学习项目的开发。