ubuntu 下pytorch安装教程gpu
时间: 2025-02-01 15:04:41 浏览: 67
### Ubuntu 系统 PyTorch GPU 安装教程
#### 一、确认硬件兼容性和准备阶段
确保计算机配备NVIDIA显卡并已正确连接电源和显示器。对于Intel CPU用户,在Ubuntu 20.04环境下配置PyTorch GPU版本前,需先完成显卡驱动程序的安装。
为了使GPU能够被操作系统识别以及后续能顺利加载CUDA内核模块,建议通过官方推荐的方式自动化部署最新的稳定版NVIDIA驱动:
```bash
sudo ubuntu-drivers autoinstall
```
验证安装成功与否可借助`nvidia-smi`工具查看当前图形处理器的工作状态[^3]。
#### 二、设置Python开发环境
考虑到conda拥有良好的包管理和依赖解析能力,这里优先选用Anaconda作为主要的Python管理器来创建独立的工作空间,并指定合适的Python解释器版本用于构建机器学习项目。
启动终端执行如下指令初始化一个新的虚拟环境(假设命名为pytorch_env),同时激活该环境以便继续下一步操作:
```bash
conda create --name pytorch_env python=3.9
conda activate pytorch_env
```
#### 三、安装PyTorch及相关库
针对已经准备好上述前提条件的情况,现在可以着手于实际的目标——即获取带有GPU加速特性的PyTorch发行版。鉴于不同时间点发布的PyTorch可能对应着特定范围内的CUDA Toolkit版本号,因此务必参照官方网站给出的指导方针挑选最匹配的一组参数组合。
具体到本案例中提到的操作系统架构(x86_64),Linux发型版(Ubuntu),及其版本(20.04 LTS),还有期望获得的形式(runfile local installation),则应采用以下命令行来进行最终的软件栈搭建工作:
```bash
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
```
这一步骤将会从Anaconda仓库下载预编译好的二进制文件并将其集成至先前建立起来的自定义环境中去[^2]。
#### 四、测试安装成果
当所有必要的组件都被妥善安置之后,不妨编写一段简单的脚本来检验整个流程是否达到了预期效果。下面是一个典型的例子用来展示如何利用Tensor对象配合with torch.cuda.device()上下文管理器实现张量运算向量化处理过程中的设备切换功能:
```python
import torch
if __name__ == '__main__':
device = "cuda" if torch.cuda.is_available() else "cpu"
tensor_example = torch.rand((3, 3), dtype=torch.float).to(device)
print(f'Device being used: {device}')
print(tensor_example)
```
如果一切正常的话,这段代码应该能够在控制台输出类似于这样的信息:“Device being used: cuda”,紧接着是一些随机生成的数据矩阵表示形式;反之,则可能是由于某些原因导致未能成功启用GPU计算资源。
阅读全文
相关推荐


















