PyTorch在CentOS上部署步骤

1. 系统准备
首先更新CentOS系统包以确保所有组件为最新版本，避免因版本冲突导致安装失败：

sudo yum update -y

安装必要的开发工具链（包括编译器、make等）和Python基础依赖（Python 3、pip、Python开发头文件）：

sudo yum groupinstall -y "Development Tools"
sudo yum install -y python3 python3-pip python3-devel

2. 创建虚拟环境（可选但推荐）
为隔离PyTorch与其他项目的依赖，建议使用虚拟环境。以venv模块为例：

python3 -m venv pytorch_env  # 创建名为pytorch_env的虚拟环境
source pytorch_env/bin/activate  # 激活虚拟环境（激活后终端提示符会显示环境名）

若使用conda（需提前安装Anaconda/Miniconda），可执行：

conda create -n pytorch_env python=3.8 -y  # 创建Python 3.8环境的虚拟环境
conda activate pytorch_env  # 激活环境

3. 安装CUDA Toolkit（GPU版本必备）
若需使用GPU加速，需先安装与显卡型号匹配的CUDA Toolkit（以CUDA 11.7为例）：

添加NVIDIA CUDA官方YUM仓库：

wget https://developer.download.nvidia.com/compute/cuda/repos/rhel7/x86_64/cuda-rhel7.repo
sudo mv cuda-rhel7.repo /etc/yum.repos.d/

安装CUDA Toolkit：

sudo yum clean all
sudo yum install -y cuda

配置环境变量：编辑~/.bashrc文件，添加以下内容（根据实际安装路径调整）：

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

使配置生效：

source ~/.bashrc

验证CUDA安装：运行nvidia-smi，若显示显卡信息和CUDA版本，则说明安装成功。

4. 安装cuDNN（GPU版本必备）
cuDNN是NVIDIA提供的深度学习加速库，需配合CUDA使用（以cuDNN 8.4.1为例，需匹配CUDA 11.7）：

下载cuDNN库（需注册NVIDIA开发者账号）：

wget https://developer.download.nvidia.com/compute/machine-learning/repos/rhel7/x86_64/libcudnn8-8.4.1.50-1.cuda11.7.x86_64.rpm
wget https://developer.download.nvidia.com/compute/machine-learning/repos/rhel7/x86_64/libcudnn8-devel-8.4.1.50-1.cuda11.7.x86_64.rpm

安装cuDNN：

sudo yum localinstall -y libcudnn8-*.rpm

验证cuDNN安装：检查/usr/local/cuda/include/cudnn.h文件是否存在，且版本与下载的一致。

5. 安装PyTorch
根据是否使用GPU，选择对应的安装命令：

CPU版本（无需CUDA）：直接通过pip安装CPU-only版本：
```
pip3 install torch torchvision torchaudio --upgrade
```

GPU版本（需CUDA支持）：从PyTorch官网获取对应CUDA版本的安装命令（如CUDA 11.7）：

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

或使用conda安装（需指定cudatoolkit版本）：

conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch

6. 验证安装
安装完成后，通过Python交互式环境验证PyTorch是否正常工作：

import torch
print("PyTorch版本:", torch.__version__)  # 输出版本号，如2.0.1
print("CUDA可用性:", torch.cuda.is_available())  # GPU版本应返回True，CPU版本返回False

若torch.cuda.is_available()返回True，说明GPU加速功能已启用。

7. 常见问题解决

依赖冲突：若安装过程中出现依赖错误（如libstdc++.so.6版本过低），可升级gcc或手动复制高版本库文件到/usr/lib64/目录，并创建符号链接。
CUDA不可用：检查~/.bashrc中的环境变量是否配置正确，运行source ~/.bashrc重新加载；或通过nvcc --version验证CUDA编译器是否可用。
cuDNN未找到：确保cuDNN库文件已复制到CUDA的include和lib64目录，并赋予可读权限（chmod a+r）。

最新问答

相关标签