大家好，我是南木。作为深度学习入门的第一道坎，PyTorch安装看似简单，实则藏着“版本匹配”“硬件适配”“环境依赖”三大坑。尤其是2024年PyTorch 2.4发布后，对CUDA、Python版本的要求更严格，很多老教程的方法已经失效。

这篇文章结合我帮500+新手排查安装问题的经验，从“安装前准备→三端详细步骤→常见报错解决→CUDA深度适配”全流程，手把手教你一次装对PyTorch。包含Windows 10/11、Ubuntu 22.04、Mac（Intel+M1/M2） 三种系统的最优方案，附“版本对应表”“验证清单”“避坑指南”，即使是零基础小白也能跟着走通。

这里给大家准备了一些超级适合零基础入门的资料包 需要的同学扫码自取

一、安装前必做：3步避坑准备（决定成败的关键）

很多人安装失败，不是步骤错了，而是没做前期检查，直接盲目复制命令。这3步准备能帮你避开80%的基础错误。

1. 第一步：硬件兼容性检查（先看“能不能装GPU版本”）

PyTorch分“CPU版本”和“GPU版本”，GPU版本需要硬件支持（主要是NVIDIA显卡），先明确你的硬件能不能装GPU版本：

（1）判断是否支持CUDA（NVIDIA显卡用户）

CUDA是NVIDIA推出的GPU加速技术，PyTorch GPU版本依赖CUDA。检查方法：

1. 查看显卡型号：

   • Windows：右键“此电脑”→“管理”→“设备管理器”→“显示适配器”，看是否有“NVIDIA GeForce XXX”（如RTX 3060、GTX 1650）；
   • Linux：终端输入lspci | grep -i nvidia，有输出则为NVIDIA显卡；
   • Mac：2016年后的Mac大多用AMD显卡或Apple Silicon，不支持CUDA，只能装CPU版本或Apple Silicon专用版本。

2. 检查显卡算力：
   即使是NVIDIA显卡，算力低于3.5也不支持最新PyTorch。查询地址：NVIDIA显卡算力表（如GTX 1050算力6.1，支持；GTX 750Ti算力5.0，仅支持PyTorch 1.12及以下）。

（2）Apple Silicon用户（M1/M2/M3芯片）

无需考虑CUDA，PyTorch提供专门的“Apple Silicon版本”，支持Metal加速（Apple的GPU加速技术），性能接近同级别NVIDIA显卡的CPU版本。

（3）AMD显卡用户

可尝试ROCm版本（AMD的GPU加速技术），但支持的PyTorch版本有限，且配置复杂，新手建议优先装CPU版本，熟练后再折腾ROCm。

2. 第二步：Python环境准备（版本不对，一切白费）

PyTorch对Python版本有严格要求（如PyTorch 2.4支持Python 3.8~3.11，不支持3.12及以上），且强烈建议用Anaconda创建虚拟环境，避免污染系统Python。

（1）安装Anaconda（三端通用）

Anaconda是Python环境管理工具，能一键创建隔离的虚拟环境，避免依赖冲突。

1. 下载地址：Anaconda官网（选对应系统的64位版本，Python 3.9或3.10版本，兼容性最好）；

2. 安装步骤：

   • Windows：双击安装包，勾选“Add Anaconda to my PATH environment variable”（方便命令行调用）；
   • Linux：终端输入bash Anaconda3-XXXX-Linux-x86_64.sh，一路按Enter，最后输入yes同意初始化；
   • Mac：拖入Applications文件夹，打开Terminal运行conda init zsh（若用bash则为conda init bash）。

3. 验证安装：
   打开终端（Windows用“Anaconda Prompt”），输入conda --version，显示版本号（如conda 23.10.0）即为成功。

（2）创建虚拟环境（避免版本冲突）

# 1. 创建名为pytorch_env的虚拟环境，指定Python 3.10（兼容性最优）
conda create -n pytorch_env python=3.10 -y
# 2. 激活虚拟环境
# Windows：
conda activate pytorch_env
# Linux/Mac：
source activate pytorch_env
# 激活后终端前缀会显示(pytorch_env)，表示进入虚拟环境

注意：后续所有安装操作都要在激活的虚拟环境中进行！

3. 第三步：确定PyTorch版本与安装命令（官方命令最靠谱）

最忌“复制网上的旧命令”，不同系统、硬件对应的命令不同，必须从PyTorch官网获取最新命令：
官网地址：PyTorch Get Started

（1）官网命令选择指南（以2024年10月为例）

在官网页面按以下步骤选择：

1. PyTorch Build：选“Stable (2.4.1)”（稳定版，新手首选）；
2. Your OS：选对应系统（Windows/Linux/Mac）；
3. Package：
   • 推荐“Conda”（自动处理依赖，成功率高）；
   • 若选“Pip”，需确保pip版本≥20.3（可通过pip install --upgrade pip升级）；
4. Language：选“Python”；
5. Compute Platform：
   • NVIDIA显卡用户：选对应CUDA版本（如CUDA 12.1，后面会讲怎么确定）；
   • CPU用户/Mac用户：选“CPU”；
   • Apple Silicon用户：选“CPU”（官网会自动适配Metal加速）。

（2）示例：官网生成的安装命令

• Windows NVIDIA CUDA 12.1：
  conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
• Linux CPU版本：
  conda install pytorch torchvision torchaudio cpuonly -c pytorch
• Mac Apple Silicon：
  conda install pytorch torchvision torchaudio -c pytorch

二、Windows 10/11安装详解（GPU+CPU双版本，附驱动适配）

Windows是新手最常用的系统，但也是安装问题最多的——“CUDA不可用”“驱动不匹配”“环境变量缺失”是三大高频坑。

1. 方案一：GPU版本安装（NVIDIA显卡用户，性能最优）

（1）前置条件

• 显卡：NVIDIA显卡，算力≥3.5；
• 驱动：NVIDIA驱动版本需匹配CUDA版本（如CUDA 12.1需驱动≥536.23）。

（2）详细步骤

1. 安装NVIDIA驱动（关键！）
   很多人装了CUDA但驱动版本不够，导致PyTorch无法调用GPU。

   • 自动安装：打开“GeForce Experience”→“驱动程序”→“下载并安装”（推荐，自动匹配最新驱动）；
   • 手动安装：若没有GeForce Experience，去NVIDIA驱动下载页，选显卡型号、系统版本，下载“Game Ready驱动”并安装。

   验证驱动：终端输入nvidia-smi，显示显卡信息和“CUDA Version: XX.X”（如12.4，表示支持最高12.4版本的CUDA）。

2. 获取PyTorch安装命令
   官网选择“Windows→Conda→Python→CUDA 12.1”（推荐12.1，兼容性最好），复制命令。

3. 执行安装命令
   打开“Anaconda Prompt”，激活虚拟环境，粘贴命令：

   conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
   

   等待安装完成（约5-15分钟，取决于网速），若提示“Proceed ([y]/n)?”，输入y回车。

4. 验证安装（必做！）
   在虚拟环境中输入python，进入Python交互环境，执行以下代码：

   import torch
   # 验证PyTorch是否安装成功
   print(torch.__version__)  # 输出2.4.1等版本号
   # 验证GPU是否可用（核心！）
   print(torch.cuda.is_available())  # 输出True则成功，False则失败
   # 验证CUDA版本是否匹配
   print(torch.version.cuda)  # 输出12.1等版本号
   

（3）Windows GPU安装常见报错及解决

报错信息	原因分析	解决方法
torch.cuda.is_available()返回False	1. 驱动版本低于CUDA要求；2. 安装了CPU版本	1. 用nvidia-smi查驱动支持的CUDA版本，重新选对应PyTorch版本；2. 卸载CPU版本，用官网GPU命令重装
Solving environment: failed	Conda源速度慢或依赖冲突	1. 换国内源（见下文“conda换源技巧”）；2. 用conda clean -a清理缓存后重试
ImportError: DLL load failed	缺少Visual C++运行时库	下载安装VC++ 2019运行时
nvidia-smi命令找不到	驱动未安装或未添加到环境变量	1. 重新安装驱动；2. 手动添加驱动路径到环境变量（如C:\Program Files\NVIDIA Corporation\NVSMI）

2. 方案二：CPU版本安装（无NVIDIA显卡用户）

CPU版本安装更简单，无需考虑驱动和CUDA，适合纯学习或小模型测试。

（1）安装步骤

1. 官网获取命令：选择“Windows→Conda→Python→CPU”，复制命令；
2. 执行命令：

   conda install pytorch torchvision torchaudio cpuonly -c pytorch
   

3. 验证：

   import torch
   print(torch.__version__)  # 输出版本号即成功（CPU版本torch.cuda.is_available()返回False是正常的）
   

3. Windows专属优化：conda换源（解决下载慢问题）

国内用户直接用conda默认源下载速度慢，容易报错“Solving environment”，建议换成清华源或阿里源：

# 添加清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
# 设置搜索时显示通道地址
conda config --set show_channel_urls yes

换源后重新执行安装命令，速度会提升3-5倍。

三、Linux安装详解（以Ubuntu 22.04为例，服务器首选）

Linux（尤其是Ubuntu）是深度学习服务器的主流系统，PyTorch安装比Windows更稳定，但需注意“驱动安装”和“权限问题”。

1. 方案一：GPU版本安装（服务器核心方案）

（1）前置条件

• 系统：Ubuntu 20.04/22.04（LTS版本，稳定性好）；
• 显卡：NVIDIA显卡（如Tesla V100、RTX 4090）；
• 权限：有sudo权限（用于安装驱动和依赖）。

（2）详细步骤

1. 安装NVIDIA驱动（比Windows更复杂，需谨慎）
   不建议用Ubuntu自带的“附加驱动”（版本旧，易冲突），推荐用NVIDIA官方.run文件安装：

   # 1. 禁用nouveau驱动（Ubuntu默认的开源NVIDIA驱动，会与官方驱动冲突）
   sudo echo "blacklist nouveau" >> /etc/modprobe.d/blacklist.conf
   sudo echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist.conf
   sudo update-initramfs -u
   # 2. 重启电脑
   sudo reboot
   # 3. 验证nouveau是否禁用（无输出则成功）
   lsmod | grep nouveau
   # 4. 下载对应驱动（去NVIDIA官网找型号匹配的.run文件，如NVIDIA-Linux-x86_64-535.104.05.run）
   # 5. 给.run文件加执行权限
   chmod +x NVIDIA-Linux-x86_64-535.104.05.run
   # 6. 安装驱动（--no-opengl-files避免安装OpenGL，防止桌面崩溃）
   sudo ./NVIDIA-Linux-x86_64-535.104.05.run --no-opengl-files
   # 7. 验证驱动
   nvidia-smi  # 显示显卡信息即成功
   

2. 安装依赖库
   Ubuntu需要安装一些系统依赖，否则PyTorch可能无法编译：

   sudo apt update
   sudo apt install -y build-essential libssl-dev libffi-dev python3-dev
   

3. 创建虚拟环境并安装PyTorch

   # 1. 创建虚拟环境
   conda create -n pytorch_env python=3.10 -y
   # 2. 激活环境
   source activate pytorch_env
   # 3. 官网获取命令（Ubuntu→Conda→Python→CUDA 12.1）
   conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
   

4. 验证安装
   同Windows，执行Python代码检查torch.cuda.is_available()是否为True。

（3）Linux GPU安装常见报错及解决

报错信息	原因分析	解决方法
驱动安装后重启黑屏	安装了OpenGL，与桌面环境冲突	重新安装驱动，加上--no-opengl-files参数；若已黑屏，按Ctrl+Alt+F2进入命令行卸载驱动：sudo ./NVIDIA-XXX.run --uninstall
conda install时权限不足	Anaconda安装目录权限不够	1. 用sudo激活环境：sudo source activate pytorch_env；2. 重新安装Anaconda到用户目录（如~/anaconda3）
torch.version.cuda显示None	安装命令中未指定-c nvidia通道	重新执行带-c nvidia的命令，确保CUDA包从nvidia通道下载

2. 方案二：CPU版本安装（简单无依赖）

# 激活虚拟环境后执行
conda install pytorch torchvision torchaudio cpuonly -c pytorch
# 验证
python -c "import torch; print(torch.__version__)"

3. Linux专属技巧：用pip安装（适合无conda环境的服务器）

若服务器未装Anaconda，可用pip安装（需先装Python 3.8~3.11）：

# 升级pip
pip install --upgrade pip
# 官网获取pip命令（Ubuntu→Pip→Python→CUDA 12.1）
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

四、Mac安装详解（Intel+Apple Silicon双架构适配）

Mac安装PyTorch分“Intel芯片”和“Apple Silicon（M1/M2/M3）”两种情况，Apple Silicon需要特殊适配。

1. 方案一：Apple Silicon（M1/M2/M3）安装（2020年后Mac首选）

Apple Silicon不支持CUDA，但PyTorch 1.12+提供专门版本，支持Metal加速，性能比Intel Mac的CPU版本快2-3倍。

（1）安装步骤

1. 安装Miniforge（替代Anaconda，更好支持Apple Silicon）
   Anaconda对Apple Silicon的支持不完善，推荐用Miniforge（专为ARM架构优化）：

   # 1. 下载Miniforge（Apple Silicon版本）
   curl -L -O https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-MacOSX-arm64.sh
   # 2. 安装
   bash Miniforge3-MacOSX-arm64.sh
   # 3. 重启终端，验证
   conda --version
   

2. 创建虚拟环境并安装PyTorch

   # 1. 创建环境
   conda create -n pytorch_env python=3.10 -y
   # 2. 激活
   conda activate pytorch_env
   # 3. 官网获取命令（Mac→Conda→Python→CPU，会自动适配Apple Silicon）
   conda install pytorch torchvision torchaudio -c pytorch
   

3. 验证Metal加速是否生效

   import torch
   print(torch.__version__)
   # 验证Metal是否可用（Apple Silicon专属）
   print(torch.backends.mps.is_available())  # 输出True则成功
   print(torch.backends.mps.is_built())  # 输出True则成功
   

2. 方案二：Intel芯片Mac安装（2020年前Mac）

步骤与Windows CPU版本类似，直接用官网命令：

# 1. 安装Anaconda（Intel版本）
# 2. 创建环境
conda create -n pytorch_env python=3.10 -y
conda activate pytorch_env
# 3. 安装PyTorch
conda install pytorch torchvision torchaudio -c pytorch
# 4. 验证
python -c "import torch; print(torch.__version__)"

3. Mac常见报错及解决

报错信息	原因分析	解决方法
ImportError: dlopen(...) image not found	安装了Intel版本的PyTorch，与Apple Silicon不兼容	卸载现有PyTorch，用Miniforge重新安装Apple Silicon版本
conda install时速度极慢	Miniforge默认源在国外	换清华源：conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
torch.backends.mps.is_available()返回False	PyTorch版本低于1.12，不支持Metal	升级PyTorch到1.12及以上：conda install pytorch=2.4.1 -c pytorch

五、CUDA深度适配指南（解决90%的GPU调用问题）

很多人安装GPU版本后仍无法调用GPU，核心原因是“版本不匹配”——PyTorch、CUDA、CuDNN、驱动必须严格对应。这部分是重点，建议收藏。

1. 核心概念：CUDA版本的“两个误区”

新手常混淆“驱动支持的CUDA版本”和“PyTorch实际使用的CUDA版本”：

• 驱动支持的CUDA版本：用nvidia-smi查看，如“CUDA Version: 12.4”表示驱动最高支持12.4，可安装≤12.4的CUDA版本；
• PyTorch使用的CUDA版本：用torch.version.cuda查看，是PyTorch编译时使用的CUDA版本，必须≤驱动支持的版本。

例：若nvidia-smi显示CUDA 12.4，可安装PyTorch CUDA 11.8、12.1、12.4版本，不能装12.5及以上。

2. PyTorch与CUDA版本对应表（2024年最新）

PyTorch版本	支持的CUDA版本	支持的Python版本	最低NVIDIA驱动版本
2.4.1	11.8、12.1、12.4	3.8~3.11	CUDA 11.8→520.61.05；CUDA 12.1→536.23；CUDA 12.4→550.54.15
2.3.1	11.8、12.1、12.4	3.8~3.11	同上
2.2.2	11.7、11.8、12.1	3.8~3.11	CUDA 11.7→515.65.01
2.0.1	11.7、11.8	3.8~3.11	CUDA 11.7→515.65.01
1.13.1	11.6、11.7、11.8	3.7~3.10	CUDA 11.6→510.39.01

建议：优先选“PyTorch 2.4.1 + CUDA 12.1”组合，兼容性最好，支持的显卡型号最多。

3. CuDNN安装（PyTorch GPU版本的“加速器”）

CuDNN是NVIDIA为深度学习优化的库，PyTorch GPU版本依赖它提升速度。通过conda安装PyTorch时会自动安装匹配的CuDNN，无需手动安装；若用pip安装，需手动下载：

1. 下载地址：NVIDIA CuDNN官网（需注册NVIDIA账号）；
2. 选择与CUDA版本匹配的CuDNN（如CUDA 12.1对应CuDNN 8.9.7）；
3. 安装：
   • Windows：解压后将bin、lib、include文件夹复制到CUDA安装目录（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）；
   • Linux：解压后执行sudo cp -r * /usr/local/cuda-12.1/。

4. CUDA相关高频报错终极解决

（1）报错：CUDA error: no kernel image is available for execution on the device

• 原因：GPU算力低于PyTorch要求（如PyTorch 2.0+不支持算力<3.5的显卡）；
• 解决：
  1. 查显卡算力，若<3.5，降级PyTorch到1.12及以下；
  2. 若算力≥3.5，重新安装对应CUDA版本的PyTorch（如RTX 3090算力8.6，支持CUDA 12.4）。

（2）报错：RuntimeError: CUDA out of memory

• 原因：GPU显存不足（如用1050Ti 4G显存跑大模型）；
• 解决：
  1. 减小batch_size（如从32改为8）；
  2. 用torch.cuda.empty_cache()释放缓存；
  3. 改用更小的模型（如YOLOv8-nano替代YOLOv8-s）。

（3）报错：ImportError: cannot import name 'torch_cuda' from 'torch.backends'

• 原因：安装的是CPU版本，却调用了GPU相关功能；
• 解决：卸载CPU版本，用官网GPU命令重装。

我是南木 需要学习规划、就业指导、学习答疑和系统课程学习的小伙伴 欢迎扫码交流