啥是ubuntu pytorch最佳实践

“Ubuntu + PyTorch 最佳实践”通常指在 Ubuntu 系统上安装、配置和使用 PyTorch 时，被广泛认可、稳定且高效的一套做法。下面按「环境搭建 → 安装 → 使用 → 训练/部署 → 常见坑」给你梳理一份实用版。

一、系统与环境（基础最佳实践）

1. 系统选择

• Ubuntu 22.04 LTS（推荐）
• 服务器：22.04 / 20.04
• 桌面开发：22.04

2. 驱动 & CUDA（关键）

• NVIDIA 显卡必须装官方驱动

ubuntu-drivers devices
sudo ubuntu-drivers autoinstall

• 查看驱动：

nvidia-smi

3. 使用虚拟环境（强烈建议）

避免系统 Python 被污染

方案 A（推荐）：conda

conda create -n torch python=3.10
conda activate torch

方案 B：venv

python -m venv venv
source venv/bin/activate

二、PyTorch 安装最佳实践

✅ 官方推荐方式（CUDA 支持）

去：https://pytorch.org

示例（CUDA 12.1）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

✅ 验证 GPU 是否可用

import torch
print(torch.cuda.is_available())
print(torch.__version__)

三、项目结构最佳实践

project/
├── data/
├── models/
├── train.py
├── eval.py
├── config.yaml
├── requirements.txt
└── README.md

四、代码层面最佳实践

1. 设备统一

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

2. 固定随机种子

torch.manual_seed(42)

3. 使用 torch.cuda.amp（混合精度）

scaler = torch.cuda.amp.GradScaler()
with torch.cuda.amp.autocast():
    output = model(x)

4. DataLoader 设置

DataLoader(
    dataset,
    batch_size=32,
    num_workers=4,
    pin_memory=True
)

五、训练 & 性能优化

• ✅ 用 torch.compile（PyTorch 2.x）

model = torch.compile(model)

• ✅ 监控 GPU 使用

watch -n 1 nvidia-smi

• ✅ 日志用 tensorboard 或 wandb

六、部署最佳实践（Ubuntu）

• 推理：TorchScript / ONNX
• 服务：
  • FastAPI + PyTorch
  • Triton Inference Server
• 量化（边缘）：torch.quantization

七、常见坑（血泪经验）

❌ 用系统 Python 直接装
❌ pip 和 conda 混用
❌ CUDA 版本和 PyTorch 不匹配
❌ num_workers 太大导致卡死
❌ 忘记 model.eval()

一句话总结

Ubuntu + PyTorch 最佳实践 = 干净环境 + 官方 CUDA 匹配 + 虚拟环境 + GPU 验证 + 工程化结构

如果你愿意，我可以：

• 给你一套 服务器训练模板
• 或按你的 显卡型号 / Ubuntu 版本 定制安装命令