PyTorch在CentOS上的依赖怎么安装

1. 更新系统

首先，确保CentOS系统为最新状态，避免因旧版本软件包导致依赖冲突：

sudo yum update -y

2. 安装基础开发工具与Python环境

PyTorch的编译与运行需要基础的编译工具和Python环境，安装以下包：

# 安装开发工具组（包含gcc、make等）
sudo yum groupinstall -y "Development Tools"
# 安装Python3及pip（PyTorch的安装与管理工具）
sudo yum install -y python3 python3-pip
# 安装cmake（PyTorch构建所需的跨平台构建工具）
sudo yum install -y cmake3

3. （可选）创建Python虚拟环境

为避免依赖冲突，建议使用虚拟环境隔离PyTorch及其依赖：

# 创建名为pytorch_env的虚拟环境
python3 -m venv pytorch_env
# 激活虚拟环境
source pytorch_env/bin/activate

4. 安装PyTorch核心依赖

PyTorch的数值计算与科学计算依赖以下库，确保其版本符合要求：

# 使用pip安装NumPy、SciPy等基础库
pip3 install numpy scipy matplotlib pandas

5. （可选）安装CUDA Toolkit（GPU加速必需）

若需使用GPU加速PyTorch，需安装与GPU型号匹配的CUDA Toolkit（以CUDA 11.7为例）：

# 下载CUDA 11.7 RPM安装包（需替换为最新版本链接）
wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda_11.7.0_515.43.04_linux.run
# 运行安装程序（按提示完成安装，建议选择“自定义安装”并勾选CUDA Toolkit）
sudo sh cuda_11.7.0_515.43.04_linux.run
# 添加CUDA路径到环境变量（永久生效）
echo 'export PATH=/usr/local/cuda-11.7/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
# 使环境变量生效
source ~/.bashrc

6. （可选）安装cuDNN（GPU加速必需）

cuDNN是CUDA的深度学习加速库，需与CUDA版本兼容（以cuDNN 8.2.2为例）：

# 下载cuDNN安装包（需登录NVIDIA账号，选择与CUDA 11.7匹配的版本）
wget https://developer.nvidia.com/compute/machine-learning/cudnn/secure/8.2.2/11.7_20210301/cudnn-11.7-linux-x64-v8.2.2.26.tgz
# 解压安装包
tar -xzvf cudnn-11.7-linux-x64-v8.2.2.26.tgz
# 复制头文件与库文件到CUDA目录
sudo cp cuda/include/cudnn*.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
# 设置文件权限
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

7. 安装PyTorch

根据是否使用GPU，选择对应的安装命令：

CPU版本（无需GPU加速）：

pip3 install torch torchvision torchaudio

GPU版本（需CUDA 11.7支持）：

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117

8. 验证安装

通过以下Python代码验证PyTorch是否安装成功及GPU是否可用：

import torch
print("PyTorch版本:", torch.__version__)
print("CUDA是否可用:", torch.cuda.is_available())  # 若为True则表示GPU加速可用

注意事项

CUDA与cuDNN版本匹配：需确保cuDNN版本与CUDA Toolkit版本兼容（如CUDA 11.7对应cuDNN 8.2+），具体版本要求可参考NVIDIA官方文档。
虚拟环境推荐：使用venv或conda创建虚拟环境，可有效隔离不同项目的依赖，避免版本冲突。
网络问题：若下载速度慢，可使用国内镜像源（如清华源）加速pip安装，例如：
```
pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
```