### PyTorch CPU 和 GPU 版本共存及其安装方式 PyTorch 的 CPU 和 GPU 版本可以在同一台机器上共存，前提是它们被安装在不同的 Python 虚拟环境中。这是因为不同版本的 PyTorch 可能依赖于特定的 CUDA 或 cuDNN 库，而这些库通常无法在同一虚拟环境中兼容。 #### 方法一：通过 Conda 创建独立环境分别安装 Conda 是一种非常方便的包管理工具，可以通过创建多个隔离的虚拟环境来实现 CPU 和 GPU 版本的 PyTorch 共存。 1. **创建用于 CPU 的虚拟环境** 使用以下命令创建一个新的虚拟环境并仅安装 CPU 版本的 PyTorch： ```bash conda create -n pytorch_cpu python=3.9 conda activate pytorch_cpu conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` 2. **创建用于 GPU 的虚拟环境** 如果您的计算机支持 NVIDIA GPU 并已正确安装 CUDA 驱动程序，则可以按照如下步骤操作： ```bash conda create -n pytorch_gpu python=3.9 conda activate pytorch_gpu conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 这里 `cudatoolkit` 的具体版本应根据您系统的 CUDA 驱动版本匹配[^4]。 #### 方法二：手动切换虚拟环境运行代码 当需要运行基于 CPU 的模型时，激活 `pytorch_cpu` 环境；当需要利用 GPU 加速时，激活 `pytorch_gpu` 环境即可。这样可以有效避免因混合使用而导致的冲突问题。 #### 测试安装是否成功 无论是在哪个环境下完成安装后，都可以通过以下脚本来验证当前使用的 PyTorch 是否正常工作以及其对应的硬件加速情况： ```python import torch print(f"Torch Version: {torch.__version__}") # 打印 PyTorch 版本号 if torch.cuda.is_available(): print(f"CUDA Available: True, Device Count: {torch.cuda.device_count()}") else: print("CUDA Available: False") print(f"CUDA Version: {torch.version.cuda}") # 打印所用 CUDA 版本 (如果适用的话) try: print(f"cuDNN Version: {torch.backends.cudnn.version()}") # 打印 cuDNN 版本 (如果有启用的话) except RuntimeError as e: print(e) # 若未加载任何 GPU 设备则会抛出异常 ``` 上述测试逻辑可以帮助开发者快速判断当前环境下的 PyTorch 是否已经正确定位到可用资源[^5]。 ---