Ubuntu 22.04 视觉开发环境搭建（四）：PyTorch GPU 版安装完全指南

摘要： 本文详细讲解在 Ubuntu 22.04 上安装 PyTorch GPU 版本的完整流程，包括 pip 全局安装与 Conda 环境安装两种方案的详细步骤与对比、国内镜像源配置、GPU 加速验证方法以及常见问题排坑。特别针对视觉开发场景给出选型建议。
适用读者：已完成 NVIDIA 驱动、CUDA、cuDNN 安装的开发者 | 难度：入门 ~ 中级 | 预计阅读时间：15 分钟

---

一、前言

PyTorch 是当前最流行的深度学习框架之一，以其动态计算图和 Pythonic 的设计风格深受开发者喜爱。在视觉开发领域（目标检测、图像分割、姿态估计等），PyTorch 几乎是默认选择。

📝 前置条件： 本文假设你已经完成了以下步骤：

• ✅ NVIDIA 显卡驱动安装（第一篇）
• ✅ CUDA Toolkit 安装与环境配置（第二篇）
• ✅ cuDNN 安装（第三篇）

如果还没有完成，请先阅读本系列前三篇文章。

本系列文章导航：

篇章	内容	状态
第一篇	NVIDIA 显卡驱动安装	✅ 已完成
第二篇	CUDA Toolkit 安装与环境配置	✅ 已完成
第三篇	cuDNN 安装完全指南	✅ 已完成
第四篇（本文）	PyTorch GPU 版安装与验证	📖 当前
第五篇	TensorRT 安装与推理加速	待更新

本文将涵盖以下内容：

• pip 全局安装方案（推荐视觉开发者）
• Conda 环境安装方案（多项目场景）
• 国内镜像源配置（解决下载慢问题）
• GPU 加速验证方法
• 两种方案的全面对比与选型建议

---

二、方案一：pip 直接全局安装 ⭐ 最推荐

对于视觉开发来说，这是最省心、最干净的方案。视觉开发任务相对单一，不太会出现依赖冲突，所以全局安装完全够用，开箱即用，省时省力。

2.1 准备工作

确认 Python 版本

PyTorch 2.x 系列推荐 Python 3.8 及以上，最新版推荐 Python 3.10 或更高：

python3 --version

如果版本过低，建议从 Python 官网 下载安装。

升级 pip

过旧的 pip 版本可能导致安装失败：

pip3 install --upgrade pip

确认 NVIDIA 驱动状态

nvidia-smi

右上角的 CUDA Version 就是驱动支持的最高 CUDA 版本。你选的 PyTorch 版本里带的 CUDA 版本不能超过这个数。

2.2 获取安装命令

前往 PyTorch 官网 Get Started 页面，在 “Start Locally” 区域选择：

选项	选择
PyTorch Build	Stable
Your OS	Linux
Package	Pip
Language	Python
Compute Platform	选择与你驱动匹配的 CUDA 版本（如 CUDA 12.1）

页面会自动生成安装命令，直接复制使用即可。

2.3 执行安装

常见版本示例：

# CUDA 12.1 版本
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# CUDA 11.8 版本
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

⚠️ 注意： cu121、cu118 等版本号只是示例，请以 PyTorch 官网生成的命令为准。

2.4 配置国内镜像源加速

在国内网络环境下，从官方源下载可能很慢甚至失败。推荐使用清华镜像源，下载速度可以从不足 200KB/s 提升到 5~50MB/s。

临时加速（单次生效）：

pip3 install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

永久配置（推荐）：

mkdir -p ~/.pip
cat > ~/.pip/pip.conf << EOF
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
trusted-host = pypi.tuna.tsinghua.edu.cn
timeout = 120
EOF

配置完成后，后续所有 pip 命令都会自动走清华源。

💡 提示： 南京大学镜像站也是一个很好的选择，实测速度可以达到几十 MB/s。可以在 NJU Mirror 查看配置方法。

备选镜像：阿里云 PyTorch Wheels

阿里云也提供了 PyTorch 的 Wheels 镜像，但需要注意使用 -f 参数而不是 -i：

pip3 install torch==2.4.1 torchvision torchaudio -f https://mirrors.aliyun.com/pytorch-wheels/cu121/

2.5 验证安装

打开终端，执行以下 Python 代码：

import torch

print("PyTorch 版本:", torch.__version__)
print("CUDA 是否可用:", torch.cuda.is_available())

if torch.cuda.is_available():
    print("torch.version.cuda:", torch.version.cuda)
    print("GPU 设备名称:", torch.cuda.get_device_name(0))
    print("GPU 数量:", torch.cuda.device_count())
    # 简单的 GPU 计算测试
    x = torch.randn(3, 3).cuda()
    print("GPU 张量计算测试:\n", x @ x.T)

看到以下输出就说明安装成功：

PyTorch 版本: 2.4.1+cu121
CUDA 是否可用: True
torch.version.cuda: 12.1
GPU 设备名称: NVIDIA GeForce RTX 3080
GPU 数量: 1
GPU 张量计算测试:
 tensor([[ 2.1456, -0.3217,  1.2834],
         [-0.3217,  0.8923, -0.1567],
         [ 1.2834, -0.1567,  1.7234]], device='cuda:0')

---

三、方案二：Conda 安装（备选方案）

如果你习惯使用 Conda 管理环境，或者需要同时维护多个不同 PyTorch 版本的项目，Conda 也是一个可靠的选择。

3.1 安装 Miniconda（如未安装）

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示操作，安装完成后关闭并重新打开终端

3.2 创建独立环境

conda create -n torch_env python=3.10
conda activate torch_env

💡 提示： 为每个项目创建独立环境是 Conda 的最佳实践，可以避免不同项目之间的依赖冲突。

3.3 配置国内镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add_channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes

⚠️ 注意： 不要添加已废弃的 pkgs/free 频道，否则可能导致依赖解析缓慢或安装到过时版本。

3.4 安装 PyTorch

访问 PyTorch 官网，选择 Conda 作为 Package，页面会生成对应的安装命令：

# CUDA 12.1（Conda 官方当前最高支持版本）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

⚠️ 重要： 截至 2025 年 6 月，Conda 官方渠道最高仅支持到 pytorch-cuda=12.1。若你需要 CUDA 12.8 等更高版本，请使用方案一（pip 安装）。

如果 Conda 在解决依赖时卡住（显示 “Solving environment” 很久），可以安装 mamba 加速：

conda install mamba -n base -c conda-forge
mamba install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

3.5 验证安装

在激活的 Conda 环境中运行与方案一相同的验证代码即可。

---

四、两种方案全面对比

对比维度	方案一：pip 全局安装	方案二：Conda 安装
磁盘占用	✅ 小（仅 PyTorch 本身）	❌ 大（额外 1-2 GB 基础环境）
CUDA 版本	✅ 支持最新版本（如 12.8）	⚠️ 官方最高支持 12.1
环境隔离	❌ 无（全局生效）	✅ 支持多环境隔离
上手难度	✅ 简单，一行命令	⚠️ 需先安装 Conda，学习基本命令
安装速度	✅ 快	⚠️ 依赖解析较慢
适用场景	单一视觉开发任务	多项目、多版本 PyTorch 并存
推荐度	⭐⭐⭐⭐⭐	⭐⭐⭐

✅ 选型建议： 对于绝大多数视觉开发者，方案一（pip 全局安装） 是最简单、最省心的选择。除非你需要同时维护多个不同 PyTorch 版本的项目，否则完全没必要引入 Conda 的复杂度。

---

五、常见问题与排坑指南

pip 安装常见问题

问题	可能原因	解决方案
torch.cuda.is_available() 返回 False	① 装成了 CPU 版本；② 驱动没装好或版本太低	① 检查 torch.__version__ 是否包含 +cpu，有则重装 GPU 版。② 执行 nvidia-smi 确认驱动已加载。
pip install 报错 externally-managed-environment	系统启用了 PEP 668 外部管理环境保护	① 使用 --break-system-packages 参数：pip3 install torch --break-system-packages。② 或使用虚拟环境。
安装速度极慢或超时	网络访问官方源受限	按照上文配置清华镜像源，可以百倍提速。
import torch 报错 Illegal instruction	CPU 太老，不支持 AVX 指令集	执行 grep avx /proc/cpuinfo 检查。若不支持，需安装旧版 PyTorch。
pip install 后其他用户用不了 PyTorch	包被装到了当前用户的 .local 目录	使用 sudo -H pip3 install ... 确保包安装到系统路径。
运行时提示 libblas.so.3 等库找不到	缺少 BLAS/LAPACK 等数值库	sudo apt-get install libopenblas-base liblapack3。
nvidia-smi 正常但 nvcc -V 提示找不到	CUDA Toolkit 未安装	这是正常的。pip 安装的 PyTorch 自带 CUDA 运行时，不需要单独安装 CUDA Toolkit（但我们在第二篇中已经安装了，所以不会遇到这个问题）。

Conda 安装常见问题

问题	可能原因	解决方案
conda install 提示找不到 pytorch-cuda=12.8	Conda 官方渠道最高仅支持 CUDA 12.1	改用方案一（pip 安装），或降级使用 pytorch-cuda=12.1。
安装过程卡在 “Solving environment”	Conda 的 SAT 求解器处理复杂依赖耗时较长	使用 mamba 替代，或改用 pip 安装。
torch.cuda.is_available() 返回 False	Conda 环境未正确激活	① 确认已执行 conda activate torch_env。② 检查：conda list | grep pytorch-cuda。
清华镜像源下载失败	镜像源不稳定或配置错误	① 检查配置：conda config --show channels。② 临时使用官方源。

---

六、实用技巧：快速 GPU 诊断脚本

安装完成后，建议保存以下诊断脚本，方便日后快速排查 GPU 环境问题：

#!/usr/bin/env python3
"""GPU 环境诊断脚本"""

import subprocess
import sys

def check_gpu_env():
    print("=" * 50)
    print("GPU 环境诊断报告")
    print("=" * 50)

    # 1. 检查 NVIDIA 驱动
    try:
        result = subprocess.run(["nvidia-smi", "--query-gpu=name,driver_version,memory.total",
                                 "--format=csv,noheader"], capture_output=True, text=True)
        if result.returncode == 0:
            print(f"✅ NVIDIA 驱动: {result.stdout.strip()}")
        else:
            print("❌ NVIDIA 驱动未正确安装")
    except FileNotFoundError:
        print("❌ nvidia-smi 命令不存在")

    # 2. 检查 PyTorch
    try:
        import torch
        print(f"✅ PyTorch 版本: {torch.__version__}")
        print(f"✅ CUDA 可用: {torch.cuda.is_available()}")
        if torch.cuda.is_available():
            print(f"✅ PyTorch CUDA 版本: {torch.version.cuda}")
            print(f"✅ cuDNN 版本: {torch.backends.cudnn.version()}")
            print(f"✅ GPU 设备: {torch.cuda.get_device_name(0)}")
            print(f"✅ GPU 数量: {torch.cuda.device_count()}")
            # 简单计算测试
            x = torch.randn(1000, 1000).cuda()
            _ = x @ x.T
            print("✅ GPU 计算测试通过")
        else:
            print("❌ CUDA 不可用")
    except ImportError:
        print("❌ PyTorch 未安装")
    except Exception as e:
        print(f"❌ 检查出错: {e}")

    print("=" * 50)

if __name__ == "__main__":
    check_gpu_env()

---

七、总结

本文要点回顾：

1. 推荐方案： 对于视觉开发者，pip 全局安装是最简单、最省心的选择。
2. 版本匹配： PyTorch 的 CUDA 版本不能超过 nvidia-smi 显示的驱动支持上限。
3. 镜像加速： 国内用户务必配置清华源或南大镜像源，下载速度可提升百倍。
4. 验证成功： torch.cuda.is_available() 返回 True 且能正确显示 GPU 型号即可。
5. Conda 场景： 仅在需要多项目多版本隔离时才考虑 Conda 方案。

📚 系列导航：

• 上一篇： Ubuntu 22.04 视觉开发环境搭建（三）：cuDNN 安装完全指南
• 下一篇： Ubuntu 22.04 视觉开发环境搭建（五）：TensorRT 安装与推理加速
• [[技术笔记/视觉环境搭建/Ubuntu22.04.2视觉开发环境搭建全流程]] — 原始完整笔记

---

参考资料

• PyTorch 官网 Get Started
• PyTorch 官方文档
• 清华 TUNA 镜像源
• 南京大学镜像站
• Miniconda 官方下载
• Mamba 官方文档