Ubuntu 上 PyTorch 的依赖库与安装要点
一 核心运行依赖
- 基础运行环境：Python ≥ 3.6、pip ≥ 20.0；建议使用 venv 或 conda 创建隔离环境。
- GPU 相关（可选）：NVIDIA 驱动、CUDA、cuDNN，三者需版本匹配；安装 PyTorch 时可通过 pip/conda 一并获取对应的 cudatoolkit（无需单独系统级安装 CUDA）。
- 验证命令示例：
- 查看版本：
python3 --version、pip3 --version
- 验证 GPU：
python3 -c "import torch; print('CUDA Available:', torch.cuda.is_available())"
以上要点适用于 Ubuntu 18.04+ 的服务器与桌面环境。
二 系统级依赖清单 Ubuntu（按用途分类）
- 编译/源码构建（从源码安装 PyTorch 时）
- 基础工具：build-essential、git、cmake ≥ 3.12.0、gcc ≥ 7.3.0（若构建 PyTorch 1.11.0，推荐 gcc ≥ 7.5.0）
- 压缩/解压与工具：patch、wget、curl、dos2unix、libbz2-dev、libreadline-dev、xz-utils、tk-dev、liblzma-dev、m4
- 数学库：libopenblas-dev
- Python 开发头文件与虚拟环境（常见做法）
- python3-dev、python3-virtualenv
- 多媒体/图像处理（涉及视频/图像编解码、数据增强等场景）
- libavcodec-dev、libavformat-dev、libswscale-dev、libv4l-dev、libxvidcore-dev、libx264-dev、libjpeg-dev、libpng-dev、libtiff-dev
- 数值/线性代数与编译器
- gfortran、libatlas-base-dev
- Java（部分构建/工具链场景可能需要）
- openjdk-8-jdk
以上为 Ubuntu 环境下常见且实用的系统依赖项，覆盖源码构建与常见多媒体数据处理需求。
三 常见安装方式与对应依赖处理
- pip 安装（CPU 或指定 CUDA 版本）
- CPU：
pip install torch torchvision torchaudio
- GPU：使用官方命令生成器选择对应的 CUDA 版本，例如：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118（示例为 CUDA 11.8）
- conda 安装（自动携带 cudatoolkit）
- 示例：
conda create -n pytorch_env python=3.8
- 安装：
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch
- 源码编译（需要上一节列出的系统依赖）
- 步骤要点：
git clone --recursive 源码 → python3 setup.py install（或按官方脚本/CI流程）
上述方式覆盖了主流的 PyTorch 安装路径，并兼顾了 GPU 与 CPU 场景。
四 版本兼容与注意事项
- 版本矩阵：PyTorch 1.11.0 → CUDA 10.2；1.10.0 → 10.2；1.9.0 → 10.2；1.8.0 → 10.1（选择与你的驱动/硬件匹配的版本）。
- 编译器要求：源码构建建议 gcc ≥ 7.3.0，构建 1.11.0 时推荐 gcc ≥ 7.5.0；CMake ≥ 3.12.0。
- 驱动与 CUDA/cuDNN：GPU 场景需确保 NVIDIA 驱动 与 CUDA/cuDNN 版本匹配；若使用 conda 安装，通常通过 cudatoolkit 由 conda 管理，无需系统级 CUDA。
- 环境隔离：优先使用 venv/conda 以避免系统包冲突。
以上要点有助于减少因版本不匹配导致的安装与运行问题。
