PyTorch在Linux上的部署流程是怎样的

一、前置准备

在Linux系统上部署PyTorch前，需满足以下基础要求：

操作系统：支持Ubuntu、CentOS、Deepin等主流Linux发行版；
Python环境：推荐使用Python 3.7及以上版本（系统自带或通过apt install python3 python3-pip安装）；
硬件要求：若使用GPU加速，需配备NVIDIA GPU并安装兼容的NVIDIA驱动（可通过nvidia-smi命令检查驱动版本）；
依赖工具：安装build-essential（编译源码时可能需要）、git（源码安装时克隆仓库）等基础工具。

二、安装PyTorch

PyTorch的安装主要分为CPU版本（无GPU加速）和GPU版本（支持CUDA加速），推荐通过conda（环境管理便捷）或pip（官方源稳定）安装。

1. 使用conda安装（推荐新手）

创建虚拟环境：隔离项目依赖，避免包冲突。

conda create -n pytorch_env python=3.8  # 创建名为pytorch_env的环境，指定Python 3.8
conda activate pytorch_env              # 激活环境

安装CPU版本：无需CUDA支持的基础版本。

conda install pytorch torchvision torchaudio cpuonly -c pytorch

安装GPU版本：需匹配CUDA版本（如CUDA 11.8），确保驱动兼容。

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

2. 使用pip安装（灵活适配）

安装CPU版本：直接通过PyTorch官方源安装。
```
pip install torch torchvision torchaudio
```
安装GPU版本：需指定CUDA Toolkit版本（如CUDA 11.8），从PyTorch官方whl仓库下载预编译包。
```
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu118
```

3. 源码编译安装（自定义需求）

若需修改PyTorch源码或支持特定硬件，可从GitHub克隆仓库编译：

git clone --recursive https://github.com/pytorch/pytorch  # 克隆仓库及子模块
cd pytorch
pip install -r requirements.txt                           # 安装依赖
python setup.py install                                   # 编译安装

注：源码编译耗时较长，需提前安装C++编译工具链（如gcc、cmake）。

三、验证安装

安装完成后，通过Python代码验证PyTorch是否正常工作及GPU是否可用：

import torch
print("PyTorch版本:", torch.__version__)                  # 输出版本号
print("CUDA可用性:", torch.cuda.is_available())            # GPU版本应返回True
print("GPU设备数量:", torch.cuda.device_count())          # 查看可用GPU数量

若输出版本号且torch.cuda.is_available()返回True（GPU版本），则说明安装成功。

四、模型部署（可选）

若需将PyTorch模型部署为服务或进行推理，可按以下步骤操作：

1. 准备模型

加载预训练模型（如ResNet）或加载自定义模型权重（.pth文件）：

import torch
from torchvision.models import resnet50

model = resnet50(pretrained=True)  # 加载预训练ResNet50
model.eval()                       # 设置为评估模式（禁用dropout/batchnorm）

2. 编写推理脚本

处理输入数据（如图像预处理）并进行预测：

from PIL import Image
import torchvision.transforms as transforms

# 图像预处理：转为Tensor并归一化
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 加载图像并预测
image = Image.open("test.jpg")
input_tensor = transform(image).unsqueeze(0)  # 添加batch维度
with torch.no_grad():                         # 禁用梯度计算
    output = model(input_tensor)
print("预测结果:", output.argmax().item())      # 输出类别索引

3. 使用Web框架部署（对外提供服务）

通过Flask/FastAPI构建RESTful API，实现远程推理：

from flask import Flask, request, jsonify
import torch
from torchvision.models import resnet50

app = Flask(__name__)
model = resnet50(pretrained=True)
model.eval()

@app.route('/predict', methods=['POST'])
def predict():
    # 获取输入数据（假设为JSON格式的图像路径列表）
    data = request.json['image_paths']
    results = []
    for path in data:
        image = Image.open(path)
        input_tensor = transform(image).unsqueeze(0)
        with torch.no_grad():
            output = model(input_tensor)
        results.append(output.argmax().item())
    return jsonify(results)

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)  # 监听所有IP的5000端口

启动服务后，可通过curl或Postman向http://<服务器IP>:5000/predict发送请求，获取预测结果。

五、常见问题解决

安装速度慢：使用国内镜像源加速（如清华源），pip可通过pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple设置；
CUDA版本不匹配：通过nvcc --version检查驱动支持的CUDA版本，选择对应PyTorch版本（如CUDA 11.8对应PyTorch 2.4.0+）；
权限问题：使用--user参数安装到用户目录（如pip install --user torch），或通过虚拟环境隔离权限。