PyTorch在CentOS上的部署步骤是什么

在 CentOS 上部署 PyTorch 的标准流程

一 环境准备

• 更新系统与基础工具
  • 执行：sudo yum update -y
  • 安装编译工具与基础依赖：sudo yum groupinstall -y "Development Tools" 与 sudo yum install -y python3 python3-pip python3-devel git
• 建议创建隔离环境（二选一）
  • 使用 venv：python3 -m venv pytorch_env && source pytorch_env/bin/activate
  • 使用 conda：安装 Miniconda 后执行 conda create -n pytorch_env python=3.8 与 conda activate pytorch_env
• 说明：常见可用 Python 3.6+；若需 GPU，请提前准备 NVIDIA 驱动、CUDA、cuDNN 并确保版本匹配。

二 安装 PyTorch

• CPU 版本（通用）
  • 执行：pip install torch torchvision torchaudio
• GPU 版本（示例为 CUDA 11.7）
  • 执行：pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117
• 版本选择建议
  • 优先前往 PyTorch 官网获取与你 CUDA/cuDNN 匹配的安装命令；如使用其他 CUDA 版本，替换对应的 cuXX 索引 URL 即可。

三 验证安装与环境变量

• 基础验证
  • 运行：python - <<'PY' import torch print("torch:", torch.__version__) print("cuda available:", torch.cuda.is_available()) if torch.cuda.is_available(): print("device count:", torch.cuda.device_count()) print("current device:", torch.cuda.current_device()) PY
  • 预期：输出版本号；GPU 环境返回 cuda available: True 且可见设备信息。
• GPU 环境变量（如使用官方 CUDA 安装包）
  • 在 ~/.bashrc 中添加并生效：
    • echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
    • echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
    • source ~/.bashrc
  • 说明：路径以你的 CUDA 实际安装目录为准。

四 部署与运行应用

• 运行脚本
  • 在虚拟环境中执行：python app.py
• 以系统服务方式常驻运行（可选）
  • 创建服务文件 /etc/systemd/system/pytorch_app.service：

    [Unit]
    Description=PyTorch Application Service
    After=network.target
    
    [Service]
    User=your_username
    Group=your_groupname
    ExecStart=/path/to/pytorch_env/bin/python /path/to/your/app.py
    Restart=always
    
    [Install]
    WantedBy=multi-user.target
    

  • 启用与启动：sudo systemctl daemon-reload && sudo systemctl start pytorch_app && sudo systemctl enable pytorch_app
• 生产交付建议
  • 使用 Docker 将环境与应用打包，便于迁移与扩缩容；可在镜像中基于 Miniconda 构建并预装依赖。

五 常见问题与进阶

• 驱动与 CUDA 不匹配
  • 现象：torch.cuda.is_available() 为 False。检查 nvidia-smi 与 nvcc --version 输出，确保 驱动 ≥ CUDA 运行时且版本匹配；必要时重装对应 CUDA/cuDNN。
• 从源码编译（仅在需要时）
  • 依赖示例：gcc ≥ 7.3.0、cmake ≥ 3.12.0；克隆 PyTorch 源码后执行 python3 setup.py install。特定版本（如 1.11.0）可能需要更高 GCC（≥ 7.5.0）。
• 昇腾 NPU 场景
  • 需安装 CANN 与对应 torch_npu 插件，设置环境变量后验证：python3 -c "import torch;import torch_npu; a = torch.randn(3,4).npu(); print(a+a)"。