文章目录
- 前言
- 一、安装前准备
- 1. 系统与硬件检查
- 2. 包管理器选择
- 二、详细安装步骤
- 1. Windows系统安装
- 2. macOS系统安装（Apple Silicon）
- 3. Linux系统安装（以Ubuntu为例）
- 三、验证安装
- 四、常见问题与解决方案
- 总结
前言
PyTorch作为当前最受欢迎的深度学习框架之一，以其动态计算图、直观的Pythonic语法和强大的GPU加速能力，成为了学术界和工业界的主流选择。无论是深度学习新手还是经验丰富的研究人员，一个正确且完整的PyTorch环境都是开展工作的基础。然而，由于不同操作系统、硬件配置和软件版本的差异，安装过程常常会遇到各种挑战。
本文提供了2025年最新的PyTorch安装指南，涵盖了Windows、macOS和Linux三大平台，包括CPU和GPU版本的详细安装步骤，并针对安装过程中常见的错误提供了经过验证的解决方案。无论你使用哪种开发环境，本文都能帮助你顺利完成PyTorch的安装，为后续的深度学习项目打下坚实基础。
一、安装前准备
在开始安装PyTorch之前，充分的准备工作可以避免很多常见问题。
1. 系统与硬件检查
| 系统 | 支持版本 | GPU 支持要求 |
|---|---|---|
| Windows | 10/11（64位） | NVIDIA 显卡（CUDA 11.0+） |
| macOS | 12+（Apple Silicon/M1） | 苹果显卡（Metal Performance Shaders） |
| Linux | Ubuntu 20.04+/Debian 11 | NVIDIA/AMD/Intel 显卡（需对应驱动） |
- NVIDIA GPU 用户需要检查显卡型号（如 RTX 3060）和驱动版本（需 ≥ 515.65.01，对应 CUDA 11.7）。
- Apple Silicon（M1/M2）用户需要确保系统已更新至 macOS 13.4+，并安装 Xcode Command Line Tools：
xcode-select --install。
2. 包管理器选择
| 方式 | 优点 | 缺点 | 推荐场景 |
|---|---|---|---|
| Conda | 自动解决依赖，适合新手 | 安装速度慢，版本可能非最新 | 虚拟环境管理 |
| Pip | 安装速度快，获取最新版本 | 需手动处理依赖 | 高级用户/CI/CD环境 |
| Docker | 环境隔离彻底，适合部署 | 占用磁盘空间大 | 生产环境/复现问题 |
推荐使用Conda进行环境管理，它可以创建独立的虚拟环境，避免包冲突问题：
# 创建虚拟环境
conda create -n pytorch_env python=3.10
# 激活环境
conda activate pytorch_env二、详细安装步骤
1. Windows系统安装
安装GPU版本（NVIDIA显卡）
- 推荐：访问PyTorch官网获取最适合你配置的安装命令。
- 示例命令：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia安装CPU版本
conda install pytorch torchvision torchaudio cpuonly -c pytorch使用pip安装（如果偏好pip）
pip3 install torch torchvision torchaudio注意：确保pip已更新（
pip install --upgrade pip），并建议使用虚拟环境。
2. macOS系统安装（Apple Silicon）
使用Conda安装（推荐）
conda install pytorch torchvision torchaudio -c pytorch -c apple使用Pip安装
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
3. Linux系统安装（以Ubuntu为例）
安装NVIDIA GPU版本
- 确保已安装CUDA工具包和兼容的驱动程序。
- 使用Conda安装：
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch- 使用pip安装：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118- 验证CUDA路径：
echo $CUDA_HOME # 应输出 /usr/local/cuda-11.8 nvcc --version # 检查CUDA编译器版本配置国内镜像源加速下载（如果网络不佳）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes或者对于pip：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
三、验证安装
安装完成后，务必进行验证以确保PyTorch正确安装且GPU（如果适用）可用。
- 打开Python或PyCharm等IDE的Python交互环境。
- 运行以下测试代码：
import torch # 检查PyTorch版本 print(torch.__version__) # 检查CUDA（GPU）是否可用 print(torch.cuda.is_available()) if torch.cuda.is_available(): print(f"GPU型号: {torch.cuda.get_device_name(0)}") print(f"CUDA版本: {torch.version.cuda}") # 可选的简单张量运算测试 x = torch.tensor([1.0]).cuda() print(x) # Apple Silicon专用检查 if hasattr(torch.backends, "mps") and torch.backends.mps.is_available(): print("MPS加速已启用") y = torch.tensor([1.0], device="mps") print(y) - 预期输出示例（对于NVIDIA GPU）：
2.1.0 True GPU型号: NVIDIA GeForce RTX 3060 CUDA版本: 11.8 tensor([1.0], device='cuda:0')
四、常见问题与解决方案
即使按照步骤操作，也可能遇到问题。以下是几种常见情况及解决方法：
| 问题现象 | 可能原因 | 解决方案 | 参考 |
|---|---|---|---|
torch.cuda.is_available() 返回 False | CUDA版本不匹配 | 卸载现有CUDA（如sudo apt remove cuda* on Linux），并通过PyTorch官网工具安装匹配版本。Windows用户检查控制面板中是否有多个CUDA版本，保留所需版本。 | |
| Apple M1/M2 安装失败或导入错误 | 版本或安装方式不正确 | 卸载旧版 (pip3 uninstall torch)，然后使用Conda安装Apple优化版：conda install pytorch torchvision torchaudio -c pytorch -c apple | |
| Conda环境未激活 | 环境变量问题 | 重新激活：conda activate your_env_name。或修复环境变量：conda init cmd.exe（Windows）或 conda init zsh（macOS/Linux）。 | |
Pip安装权限问题 (Permission denied) | 系统权限限制 | 推荐：使用虚拟环境。临时方案：使用 pip install --user package_name（不推荐，可能引起混乱）。 | |
| 安装过程中网络错误或速度极慢 | 网络连接问题 | 使用国内镜像源（如清华源）。对于Conda，配置通道；对于pip，设置全局索引URL。 | |
安装包损坏或无效（如InvalidArchiveError） | 下载过程中安装包损坏 | 清理缓存（pip cache purge 或 Conda清理），重新下载安装。或尝试手动下载预编译的whl文件再用pip安装。 | |
| 依赖项冲突或其他环境问题 | 现有Python环境混乱 | 推荐实践：始终在虚拟环境（如Conda venv）中安装PyTorch。创建新的干净环境并重新安装。 | |
| Linux下段错误或编译问题 | 系统依赖项缺失 | 安装必要的开发工具和库：sudo apt-get install -y libssl-dev 等。 |
重要提示：
- 虚拟环境是关键：强烈建议使用Conda或venv创建独立的虚拟环境来管理PyTorch及其依赖项，这能有效避免绝大多数包冲突和环境混乱问题。
- 版本匹配是核心：特别是对于GPU版本，务必确保PyTorch版本、CUDA版本、NVIDIA驱动版本以及cuDNN（如果使用）相互兼容。PyTorch官网提供的安装命令通常已处理好版本对应关系。
- 遇事不慌查文档：PyTorch官方文档和社区论坛是解决问题的宝贵资源。
总结
成功安装PyTorch是开启深度学习之旅的第一步。通过本文提供的分步安装指南和常见问题解决方案，希望能帮助你更顺畅地完成这个过程，避免常见的陷阱。
- 准备工作是基础：确认你的系统、硬件和驱动符合要求。使用虚拟环境（如Conda） 是避免环境混乱的最佳实践。
- 官方命令最可靠：访问PyTorch官网获取安装命令，可以最大程度确保版本兼容性，特别是对于GPU版本。
- 验证步骤不可少：安装后务必运行简单的测试代码，确认PyTorch正常工作且GPU（如适用）可被识别。
- 遇到问题莫慌张：安装过程遇到问题很常见。参考本文的常见问题表格，检查版本兼容性、环境隔离和网络设置，大部分问题都能得到解决。利用好社区和官方文档资源。
现在，你的PyTorch环境应该已经准备就绪。接下来，你可以开始探索张量操作、自动求导、神经网络模块等强大功能，开始构建你的深度学习项目了。