在 Debian 上部署 PyTorch 的实用步骤
一 准备环境
- 更新索引并安装基础工具与编译依赖（按需选择）：
- sudo apt update
- sudo apt install -y python3 python3-pip python3-venv build-essential cmake zlib1g-dev libssl-dev libffi-dev libsqlite3-dev libopenblas-dev gfortran pciutils net-tools unzip
- 建议始终在虚拟环境中部署，避免与系统包冲突：
- python3 -m venv ~/venvs/pt
- source ~/venvs/pt/bin/activate
- 如需 GPU 支持，先确认 NVIDIA 驱动与 CUDA 可用（nvidia-smi 可见驱动/CUDA 版本），再选择对应的 PyTorch 安装命令。上述依赖与系统准备可参考官方与工程化实践文档。
二 安装方式
- 方式 A pip 安装 PyTorch（推荐）
- CPU 版本（通用 x86_64 与 ARM 均可）：pip install torch torchvision torchaudio
- GPU 版本（需已安装 NVIDIA 驱动与 CUDA）：pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118（将 cu118 替换为与你驱动匹配的 CUDA 版本标签，如 cu121 等）
- 说明：PyTorch 官方提供预编译 wheel 包，直接 pip 安装即可，无需系统级 CUDA 开发包；关键是选择与驱动匹配的 CUDA 标签。
- 方式 B Conda 安装（跨发行版一致性更好）
- 创建环境：conda create -n pt python=3.11 -y
- 激活环境：conda activate pt
- 安装 GPU 版本（示例为 CUDA 11.8）：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -c conda-forge
- 说明：Conda 会同时解决 CUDA/cuDNN 等二进制依赖，适合多机复现与 HPC 场景。
- 方式 C 源码编译（仅当官方包不兼容或需定制时）
- 安装依赖：sudo apt install -y git python3-dev
- 获取源码：git clone --recursive https://github.com/pytorch/pytorch
- 配置构建：cd pytorch && export NO_CUDA=1（无 GPU 时）&& pip install -r requirements.txt
- 构建安装：python3 setup.py install
- 可选：pip install torchvision
- 说明：源码构建耗时较长，仅在确有必要时采用。
三 验证与常见问题
- 验证安装：
- python - <<‘PY’
import torch
print(“PyTorch:”, torch.version)
print(“CUDA available:”, torch.cuda.is_available())
if torch.cuda.is_available():
print(“CUDA version:”, torch.version.cuda)
PY
- 常见问题与处理
- 版本不匹配：pip 安装时务必使用与驱动匹配的 CUDA 标签（如 cu118/cu121）；不确定时先用 CPU 版本验证环境可用。
- glibc/架构不兼容：老旧系统或特殊架构（如 ARM）优先使用官方提供的预编译 wheel 或 Conda 包；必要时考虑较新的 Debian 版本或容器化方案。
- 依赖冲突与编译失败：优先在虚拟环境操作；若从源码构建，确保已安装 gcc/g++/cmake/blas 等依赖，并参考工程化文档的依赖清单逐项检查。
