Python AI 与深度学习 - D1.PyTorch 深度学习环境一键配置

1. 原生 Python+pip 配置

# 直接安装，建议在虚拟环境中执行
2 pip install torch torchvision torchaudio numpy pandas matplotlib scikit-learn gradio opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple

 

2.环境验证（必做）

执行以下代码，无报错且输出 PyTorch 版本即配置成功：

import torch
import torchvision
#输出PyTorch版本和是否支持CPU(入门只需要CPU)
print("Pytorch版本：",torch.__version__)

#是否支持通过 GPU（显卡）进行 CUDA 加速的张量运算、模型训练和推理:
#仅用于检测NVIDIA 显卡的 CUDA 加速是否可用
if torch.cuda.is_available():
    print("GPU可用！")
    print("显卡名称：", torch.cuda.get_device_name(0))  # 查看第1块显卡名称（多显卡可改索引）
    print("显卡显存：", torch.cuda.get_device_properties(0).total_memory / 1024**3, "GB")  # 显存大小
    print("当前使用显卡索引：", torch.cuda.current_device())
else:
    print("GPU不可用，使用CPU")

# 创建一个测试张量并打印，无报错即正常
test_tensor = torch.tensor([1,2,3])
print("测试张量：", test_tensor)

额外建议（可选）

如果后续想提升训练速度（比如训练更大的模型 / 更多数据），可考虑配置 GPU 环境，前提是你的电脑有NVIDIA 独立显卡，步骤如下（当前阶段无需操作）：

1. 安装对应显卡的 CUDA Toolkit 和 cuDNN；
2. 卸载现有 CPU 版 PyTorch：pip uninstall torch torchvision torchaudio；
3. 安装 GPU 版 PyTorch（根据 CUDA 版本选择，参考PyTorch 官网）。