首页 > 脚本专栏 > python > Anaconda配置PyTorch环境

在Anaconda中配置PyTorch环境的完整流程

2026-05-06 09:27:41 作者：独隅

本文详细介绍了在Anaconda中配置PyTorch环境的完整流程,涵盖CPU、GPU（NVIDIA CUDA/AMD ROCm）及Apple Silicon版本,内容包括系统兼容性检查、环境创建、不同安装渠道对比,以及具体安装命令和验证步骤,需要的朋友可以参考下

摘要

摘要：本文详细介绍了在Anaconda中配置PyTorch环境的完整流程，涵盖CPU、GPU（NVIDIA CUDA/AMD ROCm）及Apple Silicon版本。内容包括系统兼容性检查、环境创建、不同安装渠道对比，以及具体安装命令和验证步骤。针对NVIDIA GPU用户提供了CUDA 12.1/11.8的安装方案，AMD用户介绍了ROCm配置方法，Mac用户则提供了Metal加速支持。文中包含各平台的驱动要求、存储空间建议和常见问题排查方法，帮助用户快速搭建高效的PyTorch开发环境。

一、前置准备与系统要求

1.1 系统兼容性

平台	最低要求	推荐配置
Windows	Windows 10, Python 3.8+	Windows 11, Python 3.10-3.11
Linux	Ubuntu 18.04+, glibc 2.17+	Ubuntu 22.04+, Python 3.11
macOS	macOS 11.0+ (Intel/Apple Silicon)	macOS 14+, Python 3.11

1.2 GPU驱动要求（NVIDIA）

CUDA 12.1: 驱动版本 >= 530.30.02
CUDA 11.8: 驱动版本 >= 520.61.05
检查驱动版本:

nvidia-smi  # 查看驱动版本和CUDA版本

1.3 存储空间需求

CPU版本: 约2-3GB
GPU版本: 约5-8GB（包含CUDA工具包）
完整DL环境: 建议预留10GB以上

二、创建专用PyTorch环境

2.1 步骤1: 创建新环境

# 创建名为pytorch的环境，指定Python版本
conda create -n pytorch python=3.11 -y

# 激活环境
conda activate pytorch

# 验证环境激活
which python  # 应显示 .../anaconda3/envs/pytorch/bin/python

2.2 步骤2: 升级pip（推荐）

# 在激活的环境中升级pip
python -m pip install --upgrade pip

2.3 步骤3: 验证基础环境

# 检查Python版本
python --version

# 检查conda环境
conda info --envs

最佳实践: 始终为不同项目创建独立环境，避免包冲突。

三、PyTorch安装方式选择

3.1 安装渠道对比

渠道	优点	缺点	适用场景
官方推荐命令	自动匹配最优版本	需要网络连接	大多数用户
conda安装	依赖管理完善	版本可能稍旧	企业环境
pip安装	版本最新	依赖冲突风险	开发者
源码编译	完全定制	复杂耗时	特殊需求

3.2 官方安装命令生成器

访问 PyTorch官方安装页面获取最新安装命令。

四、CPU版本PyTorch安装

4.1 方法1: 使用conda安装（推荐）

# 激活环境
conda activate pytorch

# 安装CPU版本PyTorch
conda install pytorch torchvision torchaudio cpuonly -c pytorch -y

4.2 方法2: 使用pip安装

# 激活环境
conda activate pytorch

# 安装CPU版本PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

4.3 验证CPU安装

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")  # 应该返回False
print(f"设备: {torch.device('cpu')}")

五、GPU版本PyTorch安装（NVIDIA）

5.1 步骤1: 验证GPU和驱动

# 检查NVIDIA GPU
nvidia-smi

# 输出示例:
# +-----------------------------------------------------------------------------+
# | NVIDIA-SMI 535.129.03   Driver Version: 535.129.03   CUDA Version: 12.2     |
# +-------------------------------+----------------------+----------------------+

5.2 步骤2: 选择CUDA版本

根据nvidia-smi显示的CUDA版本选择：

CUDA 12.1: 最新稳定版本，推荐大多数用户
CUDA 11.8: 兼容性更好，适合企业环境

5.3 方法1: CUDA 12.1安装（推荐）

# 激活环境
conda activate pytorch

# 安装CUDA 12.1版本PyTorch
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y

5.4 方法2: 使用pip安装CUDA 12.1

# 激活环境
conda activate pytorch

# 安装CUDA 12.1版本PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

5.5 方法3: CUDA 11.8安装（兼容性优先）

# conda安装
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y

# pip安装
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

5.6 验证GPU安装

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"CUDA版本: {torch.version.cuda}")
print(f"GPU数量: {torch.cuda.device_count()}")
print(f"当前GPU: {torch.cuda.get_device_name(0)}")
# 测试GPU计算
if torch.cuda.is_available():
    x = torch.randn(3, 3).cuda()
    y = torch.randn(3, 3).cuda()
    z = torch.mm(x, y)
    print("GPU计算测试成功!")
    print(f"结果设备: {z.device}")

六、GPU版本PyTorch安装（AMD ROCm）

注意: ROCm支持主要在Linux平台，Windows支持有限。

6.1 系统要求

Linux发行版: Ubuntu 20.04/22.04, RHEL 8/9
AMD GPU: Radeon RX 6000系列或Instinct MI系列
ROCm版本: 5.4.2或更高

6.2 安装步骤

# 1. 添加ROCm仓库（Ubuntu示例）
wget https://repo.radeon.com/rocm/rocm.gpg.key
sudo gpg --dearmor --output /usr/share/keyrings/rocm.gpg /tmp/rocm.gpg.key
echo 'deb [arch=amd64 signed-by=/usr/share/keyrings/rocm.gpg] https://repo.radeon.com/rocm/apt/5.4.2 focal main' | sudo tee /etc/apt/sources.list.d/rocm.list

# 2. 安装ROCm
sudo apt update
sudo apt install rocm-libs miopen-hip hipfft rccl

# 3. 创建并激活conda环境
conda create -n pytorch-rocm python=3.11 -y
conda activate pytorch-rocm

# 4. 安装ROCm版本PyTorch
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm5.4.2

6.3 验证ROCm安装

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"ROCm可用: {torch.cuda.is_available()}")  # ROCm也使用cuda接口
print(f"设备数量: {torch.cuda.device_count()}")
if torch.cuda.is_available():
    print(f"设备名称: {torch.cuda.get_device_name(0)}")
    # 测试计算
    x = torch.randn(1000, 1000).cuda()
    y = torch.randn(1000, 1000).cuda()
    z = torch.mm(x, y)
    print("ROCm计算测试成功!")

七、Apple Silicon Mac安装

7.1 步骤1: 创建环境

# Apple Silicon原生支持
conda create -n pytorch-m1 python=3.11 -y
conda activate pytorch-m1

7.2 步骤2: 安装Metal加速版本

# 安装支持Metal的PyTorch版本
pip install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu

# 或者使用稳定版本（自动包含Metal支持）
pip install torch torchvision torchaudio

7.3 验证Metal加速

import torch
import torch.backends.mps
print(f"PyTorch版本: {torch.__version__}")
print(f"MPS可用: {torch.backends.mps.is_available()}")
print(f"MPS内置: {torch.backends.mps.is_built()}")
if torch.backends.mps.is_available():
    device = torch.device("mps")
    x = torch.randn(3, 3, device=device)
    y = torch.randn(3, 3, device=device)
    z = torch.mm(x, y)
    print("Metal加速测试成功!")
    print(f"结果设备: {z.device}")
else:
    print("MPS不可用，使用CPU")

八、环境验证与测试

8.1 完整验证脚本

创建 test_pytorch.py 文件：

#!/usr/bin/env python3
"""
PyTorch环境完整验证脚本
"""
import torch
import torchvision
import torchaudio
def test_basic():
    """基础功能测试"""
    print("=" * 50)
    print("基础信息:")
    print(f"PyTorch版本: {torch.__version__}")
    print(f"TorchVision版本: {torchvision.__version__}")
    print(f"Torchaudio版本: {torchaudio.__version__}")
    print(f"Python版本: {torch.__version__.split('+')[0]}")
def test_cuda():
    """CUDA/GPU测试"""
    print("\n" + "=" * 50)
    print("CUDA/GPU信息:")
    if torch.cuda.is_available():
        print("✅ CUDA可用")
        print(f"CUDA版本: {torch.version.cuda}")
        print(f"GPU数量: {torch.cuda.device_count()}")
        for i in range(torch.cuda.device_count()):
            print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
        # 测试GPU计算
        try:
            x = torch.randn(1000, 1000).cuda()
            y = torch.randn(1000, 1000).cuda()
            z = torch.mm(x, y)
            print("✅ GPU计算测试通过")
        except Exception as e:
            print(f"❌ GPU计算测试失败: {e}")
    else:
        print("❌ CUDA不可用")
def test_mps():
    """Metal Performance Shaders测试 (Apple Silicon)"""
    print("\n" + "=" * 50)
    print("Metal Performance Shaders (MPS) 信息:")
    if hasattr(torch.backends, 'mps') and torch.backends.mps.is_available():
        print("✅ MPS可用")
        device = torch.device("mps")
        x = torch.randn(100, 100, device=device)
        y = torch.randn(100, 100, device=device)
        z = torch.mm(x, y)
        print("✅ MPS计算测试通过")
    else:
        print("❌ MPS不可用")
def test_cpu():
    """CPU测试"""
    print("\n" + "=" * 50)
    print("CPU信息:")
    print(f"CPU线程数: {torch.get_num_threads()}")
    # 测试CPU计算
    x = torch.randn(1000, 1000)
    y = torch.randn(1000, 1000)
    z = torch.mm(x, y)
    print("✅ CPU计算测试通过")
def test_versions():
    """版本兼容性检查"""
    print("\n" + "=" * 50)
    print("版本兼容性检查:")
    # 检查基本兼容性
    required_versions = {
        'torch': '2.0.0',
        'torchvision': '0.15.0',
        'torchaudio': '2.0.0'
    }
    current_versions = {
        'torch': torch.__version__,
        'torchvision': torchvision.__version__,
        'torchaudio': torchaudio.__version__
    }
    for package, required in required_versions.items():
        current = current_versions[package]
        if current >= required:
            print(f"✅ {package}: {current} (>= {required})")
        else:
            print(f"⚠️  {package}: {current} (< {required})")
if __name__ == "__main__":
    test_basic()
    test_cuda()
    test_mps()
    test_cpu()
    test_versions()
    print("\n" + "=" * 50)
    print("环境验证完成!")

运行验证脚本：

conda activate pytorch
python test_pytorch.py

九、常用深度学习库安装

9.1 计算机视觉库

# OpenCV
conda install opencv -c conda-forge

# PIL/Pillow
conda install pillow -c conda-forge

# Albumentations (数据增强)
pip install albumentations

# Detectron2 (Facebook检测框架)
pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu118/torch2.0/index.html

9.2 自然语言处理库

# Transformers (Hugging Face)
pip install transformers

# Tokenizers
pip install tokenizers

# spaCy
conda install spacy -c conda-forge
python -m spacy download en_core_web_sm

# NLTK
conda install nltk -c conda-forge

9.3 通用工具库

# Jupyter Lab
conda install jupyterlab -c conda-forge

# Matplotlib (可视化)
conda install matplotlib -c conda-forge

# Seaborn (统计可视化)
conda install seaborn -c conda-forge

# Scikit-learn (机器学习)
conda install scikit-learn -c conda-forge

# Pandas (数据处理)
conda install pandas -c conda-forge

9.4 深度学习框架扩展

# Lightning (简化训练流程)
pip install pytorch-lightning

# Ignite (训练循环)
pip install pytorch-ignite

# Captum (可解释性)
pip install captum

十、Jupyter Notebook集成

10.1 步骤1: 安装Jupyter

# 在PyTorch环境中安装
conda activate pytorch
conda install jupyter notebook jupyterlab -c conda-forge -y

10.2 步骤2: 创建IPython内核

# 安装ipykernel
conda install ipykernel -y

# 创建内核
python -m ipykernel install --user --name pytorch --display-name "Python (PyTorch)"

10.3 步骤3: 启动Jupyter

# 启动Jupyter Lab（推荐）
jupyter lab

# 或启动经典Notebook
jupyter notebook

10.4 步骤4: 验证内核

在Jupyter中创建新Notebook，选择"Python (PyTorch)"内核，运行：

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"设备: {torch.device('cuda' if torch.cuda.is_available() else 'cpu')}")

10.5 高级配置（可选）

# 配置Jupyter默认目录
jupyter notebook --generate-config
# 编辑 ~/.jupyter/jupyter_notebook_config.py
# c.NotebookApp.notebook_dir = '/path/to/your/notebooks'

# 设置密码
jupyter notebook password

十一、环境导出与迁移

11.1 导出环境配置

# 激活环境
conda activate pytorch

# 导出完整环境（包含构建信息）
conda env export > pytorch_environment.yml

# 导出仅包名和版本（更便携）
conda env export --no-builds > pytorch_environment_no_builds.yml

# 导出pip风格的requirements.txt
pip freeze > requirements.txt

11.2 环境文件示例

pytorch_environment.yml 内容：

name: pytorch
channels:
  - pytorch
  - nvidia
  - conda-forge
  - defaults
dependencies:
  - python=3.11.8
  - pytorch=2.2.0
  - torchvision=0.17.0
  - torchaudio=2.2.0
  - pytorch-cuda=12.1
  - jupyterlab=4.0.11
  - matplotlib=3.8.3
  - pandas=2.2.1
  - pip
  - pip:
    - transformers==4.38.2
    - albumentations==1.4.3
prefix: /home/user/anaconda3/envs/pytorch

11.3 在新机器上重建环境

# 方法1: 使用environment.yml
conda env create -f pytorch_environment.yml

# 方法2: 手动创建并安装
conda create -n pytorch python=3.11 -y
conda activate pytorch
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y
pip install -r requirements.txt

11.4 跨平台迁移注意事项

移除prefix行: 编辑yml文件，删除最后一行prefix: ...
使用–no-builds: 导出时不包含平台特定的构建信息
测试兼容性: 在目标平台上重新验证

十二、常见问题与解决方案

12.1 Q1: 安装后import torch报错

错误信息: ImportError: DLL load failed (Windows) 或 libtorch_cuda.so: cannot open shared object file (Linux)

解决方案:

# 重新安装，确保版本匹配
conda activate pytorch
conda uninstall pytorch torchvision torchaudio
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y

12.2 Q2: CUDA不可用但GPU存在

可能原因: 驱动版本不匹配或CUDA版本不兼容

解决方案:

# 检查驱动和CUDA版本
nvidia-smi

# 根据输出选择正确的PyTorch CUDA版本
# 例如: nvidia-smi显示CUDA 12.2 → 安装CUDA 12.1的PyTorch（向下兼容）

12.3 Q3: 内存不足错误

错误信息: RuntimeError: CUDA out of memory

解决方案:

# 在代码开头添加内存清理
import torch
torch.cuda.empty_cache()
# 或减少batch size
# 或使用混合精度训练
from torch.cuda.amp import autocast
with autocast():
    # your model forward pass

12.4 Q4: conda安装速度慢

解决方案: 配置国内镜像源

# 添加清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

12.5 Q5: Jupyter找不到PyTorch内核

解决方案:

# 重新安装ipykernel
conda activate pytorch
pip install --force-reinstall ipykernel
python -m ipykernel install --user --name pytorch --display-name "Python (PyTorch)"

12.6 Q6: Apple Silicon性能不佳

解决方案:

# 确保使用MPS设备
device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
# 对于某些操作，CPU可能更快
# 可以比较MPS和CPU性能
import time
# MPS测试
start = time.time()
x = torch.randn(10000, 10000, device='mps')
y = torch.randn(10000, 10000, device='mps')
z = torch.mm(x, y)
mps_time = time.time() - start
# CPU测试
start = time.time()
x = torch.randn(10000, 10000)
y = torch.randn(10000, 10000)
z = torch.mm(x, y)
cpu_time = time.time() - start
print(f"MPS时间: {mps_time:.4f}s, CPU时间: {cpu_time:.4f}s")

十三、性能优化建议

13.1 使用正确的数据类型

# 使用float32而不是float64（默认）
tensor = torch.randn(1000, 1000, dtype=torch.float32)

# 对于整数标签，使用int64
labels = torch.randint(0, 10, (1000,), dtype=torch.long)

13.2 启用cuDNN自动调优

# 在训练开始前添加
torch.backends.cudnn.benchmark = True
torch.backends.cudnn.deterministic = False

13.3 使用DataLoader优化

from torch.utils.data import DataLoader
dataloader = DataLoader(
    dataset,
    batch_size=32,
    shuffle=True,
    num_workers=4,  # 根据CPU核心数调整
    pin_memory=True,  # GPU训练时启用
    prefetch_factor=2  # 预取数据
)

13.4 混合精度训练

from torch.cuda.amp import GradScaler, autocast
scaler = GradScaler()
for data, target in dataloader:
    optimizer.zero_grad()
    with autocast():
        output = model(data)
        loss = criterion(output, target)
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()

13.5 内存优化

# 及时删除不需要的变量
del large_tensor
torch.cuda.empty_cache()
# 使用上下文管理器
with torch.no_grad():
    # 推理时禁用梯度计算
    output = model(input)

13.6 环境变量优化（Linux）

# 在~/.bashrc中添加
export OMP_NUM_THREADS=1
export MKL_NUM_THREADS=1
export NUMEXPR_NUM_THREADS=1

# 减少多线程冲突

十四、附录：快速参考命令

14.1 环境管理

# 创建环境
conda create -n pytorch python=3.11 -y

# 激活/停用环境
conda activate pytorch
conda deactivate

# 删除环境
conda env remove -n pytorch

# 列出所有环境
conda env list

14.2 PyTorch安装

# CPU版本
conda install pytorch torchvision torchaudio cpuonly -c pytorch -y

# CUDA 12.1版本
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia -y

# CUDA 11.8版本  
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y

14.3 环境导出

# 导出环境
conda env export > environment.yml

# 重建环境
conda env create -f environment.yml

14.4 验证命令

# 快速验证
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

重要提醒: 定期更新PyTorch和相关库以获得最新功能和安全修复。使用conda update --all或pip install --upgrade torch torchvision torchaudio进行更新。

以上就是在Anaconda中配置PyTorch环境的完整流程的详细内容，更多关于Anaconda配置PyTorch环境的资料请关注脚本之家其它相关文章！

在Anaconda中配置PyTorch环境的完整流程

摘要

一、前置准备与系统要求

1.1 系统兼容性

1.2 GPU驱动要求（NVIDIA）

1.3 存储空间需求

二、创建专用PyTorch环境

2.1 步骤1: 创建新环境

2.2 步骤2: 升级pip（推荐）

2.3 步骤3: 验证基础环境

三、PyTorch安装方式选择

3.1 安装渠道对比

3.2 官方安装命令生成器

四、CPU版本PyTorch安装

4.1 方法1: 使用conda安装（推荐）

4.2 方法2: 使用pip安装

4.3 验证CPU安装

五、GPU版本PyTorch安装（NVIDIA）

5.1 步骤1: 验证GPU和驱动

5.2 步骤2: 选择CUDA版本

5.3 方法1: CUDA 12.1安装（推荐）

5.4 方法2: 使用pip安装CUDA 12.1

5.5 方法3: CUDA 11.8安装（兼容性优先）

5.6 验证GPU安装

六、GPU版本PyTorch安装（AMD ROCm）

6.1 系统要求

6.2 安装步骤

6.3 验证ROCm安装

七、Apple Silicon Mac安装

7.1 步骤1: 创建环境

7.2 步骤2: 安装Metal加速版本

7.3 验证Metal加速

八、环境验证与测试

8.1 完整验证脚本

九、常用深度学习库安装

9.1 计算机视觉库

9.2 自然语言处理库

9.3 通用工具库

9.4 深度学习框架扩展

十、Jupyter Notebook集成

10.1 步骤1: 安装Jupyter

10.2 步骤2: 创建IPython内核

10.3 步骤3: 启动Jupyter

10.4 步骤4: 验证内核

10.5 高级配置（可选）

十一、环境导出与迁移

11.1 导出环境配置

11.2 环境文件示例

11.3 在新机器上重建环境

11.4 跨平台迁移注意事项

十二、常见问题与解决方案

12.1 Q1: 安装后import torch报错

12.2 Q2: CUDA不可用但GPU存在

12.3 Q3: 内存不足错误

12.4 Q4: conda安装速度慢

12.5 Q5: Jupyter找不到PyTorch内核

12.6 Q6: Apple Silicon性能不佳

十三、性能优化建议

13.1 使用正确的数据类型

13.2 启用cuDNN自动调优

13.3 使用DataLoader优化

13.4 混合精度训练

13.5 内存优化

13.6 环境变量优化（Linux）

十四、附录：快速参考命令

14.1 环境管理

14.2 PyTorch安装

14.3 环境导出

14.4 验证命令

您可能感兴趣的文章: