最近在帮几个刚入门深度学习的同学搭环境，发现一个挺有意思的现象：很多人一上来就直奔“GPU加速”、“CUDA配置”，结果在驱动版本、CUDA版本、PyTorch版本这一连串的兼容性问题上卡了好几天，连一行代码都还没跑起来。这让我想起一个很朴素的道理： 先学会走，再想着跑。

对于绝大多数初学者，甚至很多做算法验证、模型原型开发的朋友来说，第一要务根本不是“榨干硬件性能”，而是 快速、稳定地搭建一个能跑通代码、验证想法的环境 。在这个目标下，在CPU上安装PyTorch，不仅不是妥协，反而是一条更平滑、更高效的入门路径。它帮你绕开了GPU环境里最令人头疼的版本依赖迷宫，让你能把宝贵的注意力和时间，真正聚焦在“理解深度学习”这件事本身。

今天，我们就来彻底拆解一下，如何在CPU上安装PyTorch，并把它变成一个你未来可以复用的、清晰的工程化起点。

1. 为什么从CPU开始，是更聪明的深度学习起点

在深入安装步骤之前，我们先解决一个核心困惑：为什么在GPU大行其道的今天，我还要建议你从CPU开始？

1.1 避开“环境地狱”，直达问题核心

GPU环境搭建是一个典型的“复合问题”。它至少包含三层：

  1. 硬件层 ：你的显卡是否支持CUDA？驱动版本是否足够新？
  2. 驱动与工具层 ：CUDA Toolkit版本、cuDNN版本需要精确匹配。
  3. 框架层 ：PyTorch版本必须与上述CUDA版本严格对应。

任何一层的不匹配，都可能导致安装失败或运行时错误。对于新手，排查这类问题信息分散、门槛高，极易产生挫败感。 CPU安装则剥离了所有GPU相关的依赖，将问题简化为纯粹的Python包管理和环境隔离问题 。这让你能立刻进入“导入torch -> 创建张量 -> 运行模型”的正向反馈循环，建立最初的信心。

1.2 理解计算本质，而非迷信硬件

在CPU上运行小规模模型和数据，速度确实慢。但这种“慢”恰恰是教学性的。你会更直观地感受到：

  • 增加一层神经网络，训练时间如何增长。
  • 批量大小（Batch Size）对内存占用的直接影响。
  • 向量化操作与循环操作在效率上的天壤之别。

这种体感，是未来你进行性能分析和优化时最宝贵的经验。 过早使用GPU，就像一开始就开上了跑车，你很难理解引擎（算法）和路况（数据）之间的真实关系。

1.3 低成本试错与原型验证

很多场景下，我们需要的不是“训练一个百亿参数的大模型”，而是：

  • 快速验证一个新论文里的模型结构是否能正常构建和前向传播。
  • 调试一段复杂的自定义损失函数或网络层。
  • 在小数据集（如MNIST、CIFAR-10）上跑通整个训练-验证流程。

这些任务的数据量和模型规模，在当代CPU上完全可接受。用CPU环境快速搭建原型，验证想法可行性， 确认算法逻辑无误后，再迁移到GPU/云服务器上进行大规模训练，是更稳健的工程实践。

注意 ：这里说的“CPU起点”主要针对学习和中小规模原型开发。对于工业级的大模型训练或海量数据预处理，GPU乃至分布式集群仍然是必需品。但“会用”和“理解”是两回事，CPU环境是达成“理解”的绝佳沙盒。

2. 搭建环境：不止于安装，更是建立可复现的工作流

安装PyTorch本身只是一条命令，但围绕这条命令的前后工作，决定了这个环境是“一次性玩具”还是“可复用的生产力工具”。我们按一个完整的工程化流程来走。

2.1 第一步：管理Python环境——绝对不要用系统Python

这是最重要，却最容易被忽略的一步。直接使用系统自带的Python安装包，会导致：

  • 版本冲突 ：项目A需要PyTorch 1.9，项目B需要PyTorch 2.0，直接打架。
  • 权限问题 ：在Linux/macOS上可能需要 sudo ，污染系统目录。
  • 难以清理 ：想卸载某个包及其所有依赖？祝你好运。

解决方案是使用虚拟环境。 Anaconda（或更轻量的Miniconda）是管理Python环境和科学计算包的事实标准 ，强烈推荐。

  1. 安装Miniconda ： 访问 Miniconda官网 ，下载对应你操作系统（Windows/macOS/Linux）的安装器。安装过程记得勾选“Add Anaconda to my PATH environment variable”（将Anaconda加入PATH环境变量），这样才可以在任意终端中使用 conda 命令。

  2. 创建专属虚拟环境 ： 打开终端（Windows用Anaconda Prompt或PowerShell，macOS/Linux用Terminal），执行： 

    # 创建一个名为 pytorch_cpu 的虚拟环境，并指定Python版本为3.9
# 你可以将 pytorch_cpu 替换为任何你喜欢的项目名，如 dl_study
conda create -n pytorch_cpu python=3.9 -y

    这里 python=3.9 是一个相对稳定且兼容性广的版本。创建完成后，激活环境： 

    conda activate pytorch_cpu

    激活后，你的命令行提示符前通常会显示环境名 (pytorch_cpu) ，这意味着之后所有的包安装和代码运行都将隔离在这个环境中。

2.2 第二步：安装PyTorch CPU版本——信任官方，绕过坑点

这是核心步骤，但也是最简单的一步，前提是 使用官方推荐命令 。

  1. 访问PyTorch官网获取命令 ： 打开 PyTorch官网 ，你会看到一个非常直观的配置选择器（Get Started）。

    • PyTorch Build ：选择 Stable（稳定版）。
    • Your OS ：选择你的操作系统（Windows/Linux/macOS）。
    • Package ：选择 Conda （如果你用Conda环境）或 Pip 。 对于CPU安装，两者皆可，但Conda通常能更好地处理一些底层科学计算库（如MKL）的依赖。
    • Language ：选择 Python。
    • Compute Platform ： 这是关键！选择 CPU 。

    选择完成后，网页下方会生成一条对应的安装命令。例如，对于Windows/Linux系统，使用Conda安装，命令通常类似于： 

    conda install pytorch torchvision torchaudio cpuonly -c pytorch

    对于macOS，命令可能为： 

    conda install pytorch torchvision torchaudio -c pytorch

    （macOS版PyTorch默认即为CPU版本）

  2. 执行安装命令 ： 在已激活的 pytorch_cpu 环境中，直接运行官网生成的命令。这个过程会自动下载PyTorch核心库（ pytorch ）、常用视觉工具库（ torchvision ）和音频工具库（ torchaudio ），以及所有必要的依赖（如NumPy等）。

    常见问题与排查 ：

    • 下载慢/失败 ：这是因为默认源在国外。可以为Conda配置国内镜像源（如清华、中科大源），这是一个一劳永逸的操作，能极大提升所有包的下行速度。
    • Solving environment卡住 ：Conda在解析依赖关系，如果过慢，可以尝试按 Ctrl+C 中断，然后使用 conda clean -i 清理索引缓存后再试。或者，直接使用Pip安装（ pip install torch torchvision torchaudio ）通常更快，但需确保Pip版本足够新。

2.3 第三步：验证安装——确认胜利，而非假设成功

安装完成没有报错，不代表一切就绪。必须进行验证。

在你的虚拟环境中，启动Python解释器： 

python

然后逐行输入以下代码： 

import torch
print(torch.__version__)  # 打印PyTorch版本，确认已导入
x = torch.rand(5, 3)      # 创建一个5行3列的随机张量
print(x)                  # 打印张量，确认可以正常创建
print(torch.cuda.is_available()) # 关键验证：必须返回 False

如果最后一行 torch.cuda.is_available() 返回 False ，恭喜你，一个纯净的CPU版PyTorch环境已经正确安装。如果返回 True ，说明你不小心安装成了GPU版本，需要回到上一步，检查是否在官网选择器里正确选择了“CPU”。

3. 从“安装成功”到“真正上手”：你的第一个深度学习程序

环境搭好只是拿到了入场券。接下来，我们通过一个极简但完整的流程，让你感受深度学习的“脉搏”。

3.1 理解核心数据结构：张量（Tensor）

PyTorch的核心是张量，你可以把它理解为N维数组。CPU版和GPU版PyTorch的张量操作API是完全一致的。 

import torch

# 创建张量
a = torch.tensor([1, 2, 3])          # 从列表创建
b = torch.zeros(2, 3)                # 创建2x3的全零张量
c = torch.randn(4, 4)                # 创建4x4的标准正态分布随机张量

# 张量运算（与NumPy非常相似）
d = a + 10                           # 广播加法
e = torch.matmul(c, c.T)             # 矩阵乘法
f = c.mean()                         # 求均值

# 关键属性
print(c.shape)   # 形状 torch.Size([4, 4])
print(c.dtype)   # 数据类型 torch.float32
print(c.device)  # 设备 device(type='cpu') <- 确认在CPU上

为什么从这里开始？ 因为后续所有的模型（参数是张量）、数据（被加载为张量）、计算（张量运算）都构建于此。熟练创建、操作和检查张量，是后续一切的基础。

3.2 构建一个微型神经网络：理解“层”与“计算图”

我们用一个最简单的全连接网络来分类手写数字（MNIST数据集思路，此处简化）。 

import torch.nn as nn
import torch.nn.functional as F

class TinyNet(nn.Module):
    def __init__(self):
        super().__init__()
        # 定义网络层
        self.fc1 = nn.Linear(784, 128)  # 输入784维（28x28图片展平），输出128维
        self.fc2 = nn.Linear(128, 10)   # 输出10维（对应10个数字类别）

    def forward(self, x):
        # 定义数据流向
        x = x.view(-1, 784)        # 将输入展平
        x = F.relu(self.fc1(x))    # 第一层后接ReLU激活函数
        x = self.fc2(x)            # 输出层
        return x

# 实例化模型
model = TinyNet()
print(model)

这段代码定义了一个两层的神经网络。关键点在于：

  • nn.Module ：所有神经网络模块的基类。
  • __init__ ：在这里定义网络需要的“零件”（层）。
  • forward ：在这里定义“零件”如何组装起来处理输入数据。 这是你定义计算逻辑的地方 。
  • 在CPU上，这些层的参数（ weight 和 bias ）会自动存储在内存中。

3.3 模拟一次训练循环：串联起数据、模型、损失与优化

虽然我们没有真实数据，但可以模拟这个核心流程，理解各个组件如何协作。 

import torch.optim as optim

# 1. 准备模拟数据 (批量大小=64， 特征维度=784)
batch_size = 64
dummy_inputs = torch.randn(batch_size, 784)  # 随机生成输入数据
dummy_labels = torch.randint(0, 10, (batch_size,)) # 随机生成0-9的标签

# 2. 前向传播
outputs = model(dummy_inputs) # 将数据输入模型，得到预测输出

# 3. 计算损失
criterion = nn.CrossEntropyLoss() # 分类任务常用损失函数
loss = criterion(outputs, dummy_labels)
print(f'Initial loss: {loss.item()}')

# 4. 反向传播与优化
optimizer = optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降优化器
optimizer.zero_grad() # 清空过往梯度
loss.backward()       # 计算当前梯度
optimizer.step()      # 根据梯度更新模型参数

print('One training step completed.')

这个微型循环揭示了深度学习训练的本质： 前向计算预测值 -> 用损失函数衡量预测有多“错” -> 通过反向传播计算“错”在每一个参数上的责任（梯度） -> 优化器根据梯度方向更新参数，让模型下次“错”得少一点。

在CPU上运行这个循环，你能清晰地看到每一步发生了什么，为后续使用真实数据、复杂模型打下坚实的认知基础。

4. 进阶指引与长期维护：让CPU环境成为可靠的生产力基地

当你能够运行上面的代码后，这个CPU环境就已经从一个“安装程序”变成了一个“学习与实验平台”。如何用好它？

4.1 环境固化与迁移：一次搭建，处处复用

虚拟环境的好处在于可复制。你可以将当前环境的精确配置导出，方便在其他机器上复现或分享。 

# 在 pytorch_cpu 环境中，导出所有包及其版本
conda env export > environment.yml

生成的 environment.yml 文件包含了环境名、Python版本和所有依赖。别人（或未来的你）只需执行： 

conda env create -f environment.yml

就能创建一个一模一样的环境。 这是保证实验结果可复现的关键，也是团队协作的基石。

4.2 配套工具链安装：打造完整的数据科学生态

PyTorch是核心，但一个顺手的工具箱还需要其他工具：

  • Jupyter Notebook/Lab ：交互式编程和可视化的神器，非常适合学习和演示。 
    conda install jupyter jupyterlab -y
  • 常用数据科学库 ： 
    conda install numpy pandas matplotlib scikit-learn -y
  • 代码格式化与检查工具（可选但推荐） ： 
    pip install black isort flake8
    它们能帮助你保持代码风格统一、清晰。

4.3 性能监控与简单优化：即使在CPU上也要心中有数

虽然不追求极致性能，但了解资源消耗有助于写出更高效的代码。

  • 监控CPU/内存使用 ：
    • 任务管理器/活动监视器/htop ：直观查看Python进程的资源占用。
    • Python内置 ： psutil 库可以编程式获取资源信息。
  • CPU上的代码优化意识 ：
    1. 向量化 ：尽量使用PyTorch/Numpy的批量矩阵运算，避免Python原生循环。
    2. 数据加载 ：使用 torch.utils.data.DataLoader ，并设置合适的 num_workers （多进程加载数据），让数据准备不阻塞训练。
    3. 减少CPU-GPU数据传输（为未来准备） ：即使现在用CPU，也要养成习惯，将数据预处理、增强等步骤尽量放在同一个设备上下文中完成。

4.4 何时考虑转向GPU？——清晰的升级路径

你的CPU环境不会白费。当出现以下信号时，就是考虑升级到GPU的时候：

  1. 模型训练时间成为瓶颈 ：一个实验需要跑几天，严重拖慢迭代速度。
  2. 处理的数据集规模变大 ：无法一次性加载到内存，或者批量大小被迫设得很小。
  3. 模型复杂度显著增加 ：参数量达到百万、千万级别，CPU计算已力不从心。

升级路径非常平滑 ：

  1. 备份你的 environment.yml 。
  2. 在新机器或云服务器上，根据GPU型号（如NVIDIA RTX 4090）和驱动，在PyTorch官网选择对应的CUDA版本（如12.1）。
  3. 使用新的安装命令（如 conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia ）创建新的GPU环境。
  4. 你的绝大部分代码无需修改 。PyTorch的优美之处在于，只需将模型和数据通过 .to(‘cuda’) 移动到GPU，其他代码逻辑完全一致。

从CPU起步，你打下的坚实基础——对张量、模型定义、训练循环的深刻理解——会让你在驾驭GPU时更加得心应手，因为你不再需要同时面对“硬件魔法”和“算法魔法”的双重挑战。你真正理解了那个在背后进行计算的东西是什么，以及它为何而工作。这，或许才是学习深度学习最扎实的第一步。

Logo
亚马逊云科技技术品牌专区

更多推荐

cover

基于大数据+Hadoop+深度学习的淘宝用户购物可视化与行为预测系统设计与开发

avatar 亚马逊云科技技术品牌专区
cover

基于大数据爬虫+Hadoop+深度学习的旅游推荐系统设计与开发

avatar 亚马逊云科技技术品牌专区

学Linux选学校：一线城市还是老家？

而二线城市很多机构的老师，自己都没进过大厂，技术停留在五年前的水平，甚至对着PPT照本宣科。而二线机构缺乏企业合作资源，项目案例永远是“搭建博客系统”“配置个LAMP环境”——这些在现在的云计算岗位面试中，连初筛都过不了。在一线城市学习，你接触的同学、老师、企业内推资源，都是二线城市没法比的。而老家机构的学员，最好的结果也就是去本地小公司做网管，月薪五六千，天花板肉眼可见。在IT培训这行干了快十年

avatar 亚马逊云科技技术品牌专区