Ubuntu下CUDA 12.1安装PyTorch 2.1.0教程与验证

本教程详细介绍了在Linux Ubuntu系统上安装并验证PyTorch的步骤，特别是针对CUDA的支持。首先，我们将在系统中创建一个新的工作目录，以保持环境整洁： 1. 创建工作目录: 使用命令`mkdir pytorch`来创建一个名为`pytorch`的新目录，这个目录将用于存放PyTorch及其相关依赖的所有安装文件。 接下来，我们将创建一个Python虚拟环境，以便管理项目依赖，避免全局安装可能带来的冲突： 2. 创建虚拟环境: 使用`python3 -m venv --system-site-packages .venv`创建一个名为`.venv`的虚拟环境。`--system-site-packages`选项允许我们使用系统已有的库。 在安装PyTorch之前，我们需要访问PyTorch的官方网站（<https://pytorch.org/>）以确定合适的版本。在这个例子中，我们将选择版本2.1.0，支持Linux操作系统，并且是通过Pip包管理器安装，同时需要CUDA 12.1的支持。 3. 安装PyTorch、TorchVision和Torchaudio: 在终端中输入`pip3 install torch torchvision torchaudio`，这将下载并安装指定版本的PyTorch及其相关的深度学习库。 为了确认安装成功，我们需要检查CUDA是否已正确安装。可以使用`nvidia-smi`命令查看GPU状态，如果没有报错，则安装步骤已完成。 4. 验证安装: 打开Python解释器，执行`import torch`，如果没有错误，表明PyTorch已经成功安装。接着，我们导入`torch.backends.cudnn`模块进行更深入的验证： ```python import torch from torch.backends import cudnn ``` 分别打印`torch.cuda.is_available()`和`cudnn.is_available()`的结果，如果返回True，表示PyTorch能够识别到GPU并且CUDNN也已安装。 5. 测试GPU使用: 为了进一步确认PyTorch是否可以利用GPU执行计算，我们编写了一个简单的示例，如： ```python cuda0 = torch.device('cuda:0') x = torch.tensor([10.0], device=cuda0) y = torch.rand((2,3), device=cuda0) z = x + y print(z) ``` 这段代码将在GPU上创建张量并执行加法运算。 本教程指导了在Linux Ubuntu环境下安装和验证PyTorch（包括CUDA支持）的完整过程，从创建目录、创建虚拟环境，到安装相关库，以及确保其能够在GPU上运行。通过这些步骤，用户可以顺利地在Ubuntu系统上进行深度学习开发。