PyTorch在Linux上的版本选择

Linux 上选择 PyTorch 版本的关键维度

• 发行版与 glibc：优先选择较新的稳定发行版（如 Ubuntu 20.04+），以满足 PyTorch 运行时的 glibc 等基础依赖要求。
• GPU 与驱动/CUDA：有 NVIDIA GPU 时，先确认驱动与 CUDA 的兼容关系；PyTorch 提供带 CUDA 的预编译包，也可选 CPU-only 版本。
• Python 版本：选择与项目一致的 Python 3.x，并通过虚拟环境隔离依赖。
• 安装方式：常用 conda 与 pip；两者在依赖管理与二进制兼容性上略有差异，按团队习惯与生态选择即可。

快速判定与选择步骤

1. 查看发行版与架构：cat /etc/os-release、uname -m（常见为 x86_64/AMD64）。
2. 查看 Python 版本：python -V 或 python3 -V。
3. 查看 GPU 与驱动/CUDA：
   • nvidia-smi（右上显示 Supported/Runtime CUDA 版本，表示驱动可支持的最高 CUDA 运行时）
   • nvcc --version（显示已安装的 CUDA Toolkit 版本）
4. 选择 PyTorch 构建：
   • GPU：选择与驱动/Runtime CUDA 匹配的 PyTorch CUDA 标签（如 cu121 表示 CUDA 12.1 构建）。
   • CPU：直接选 CPU-only 构建。
5. 选择安装通道与命令：
   • pip：使用官方 whl 索引（如 --extra-index-url https://download.pytorch.org/whl/cu121 或 /cpu）。
   • conda：使用 pytorch-cuda=xx 或 cudatoolkit=xx 指定 CUDA 版本。
6. 建虚拟环境并安装，完成后验证：import torch; print(torch.__version__, torch.cuda.is_available())。

版本匹配与命令示例

• 判定规则要点：
  • nvidia-smi 的 CUDA 是“驱动支持上限”；nvcc --version 是“Toolkit 实际版本”。
  • PyTorch 的 CUDA 构建需 ≤ 驱动支持的 CUDA 运行时；若不一致，优先更换 PyTorch 的 CUDA 标签或升级驱动。
• 常见安装命令（按需替换 CUDA 标签与 Python 版本）：

• 验证命令：python - <<'PY' import torch print("PyTorch:", torch.__version__, "CUDA:", torch.version.cuda) print("CUDA available:", torch.cuda.is_available()) print("Device count:", torch.cuda.device_count()) PY
  上述命令与判定方法适用于主流 Ubuntu/CentOS 等发行版；文件名与索引中的 cu121/cu118/cpu 等标签用于区分 CUDA 构建与 CPU 构建。

常见问题与建议

• glibc/系统版本过旧导致安装失败：优先升级到 Ubuntu 20.04+ 或等效的新版本发行版。
• 驱动与 CUDA 不匹配：升级 NVIDIA 驱动 或选择更低 CUDA 标签的 PyTorch 构建；两者需满足“PyTorch CUDA ≤ 驱动支持的 Runtime CUDA”。
• 多项目环境冲突：使用 conda/venv 隔离环境，并固定 torch==x.x.x 与 torchvision/torchaudio 的对应版本。
• 国内下载慢：可临时使用镜像源（如清华源）加速 conda 下载；安装命令与通道仍以官方为准。