### 安装 PyTorch 前的依赖库及环境准备 在安装 PyTorch 之前，需要确保计算机具备合适的运行环境以及必要的依赖项。以下是详细的准备工作说明： #### 1. Python 环境 PyTorch 需要一个稳定且兼容的 Python 运行环境。推荐使用 Anaconda 或 Miniconda 来管理 Python 环境，因为它提供了更便捷的方式处理包管理和虚拟环境创建[^3]。 - **Python 版本**: PyTorch 支持的最低 Python 版本通常是 3.7 或更高版本。建议使用最新稳定的 Python 版本（如 3.9 或 3.10），但需注意某些旧版 PyTorch 可能不支持最新的 Python 版本。 #### 2. CUDA 和 GPU 支持（可选） 如果计划使用 GPU 加速训练模型，则需要提前确认系统的显卡驱动程序和 CUDA 工具链是否已正确安装并匹配目标 PyTorch 的需求。 - **CUDA 版本**: 不同版本的 PyTorch 对应不同的 CUDA 版本。例如，在引用中提到服务器上的 CUDA 是 11.8，因此需要安装与此版本兼容的 PyTorch[^1]。 - **NVIDIA 显卡驱动**: 确保系统中的 NVIDIA 显卡驱动是最新的，并与所使用的 CUDA 版本相匹配。 - **cuDNN 库**: cuDNN 提供了针对深度神经网络的高度优化实现，通常随 CUDA 一起安装。它能够显著提升性能。 #### 3. 使用 Conda 创建独立环境 为了防止与其他项目的软件冲突，强烈建议为每个项目单独建立一个新的 conda 虚拟环境。可以通过以下命令完成此操作： ```bash conda create -n my_pytorch_env python=3.9 conda activate my_pytorch_env ``` #### 4. 安装基础依赖库 除了 PyTorch 外，许多深度学习任务还需要额外的支持工具或框架作为辅助功能的一部分。这些可能包括但不限于以下几个方面: - **NumPy**: 数组运算的核心库之一，几乎所有的科学计算都会用到 NumPy。 - **Pandas**: 数据分析常用的数据结构化处理工具。 - **Matplotlib / Seaborn**: 绘图可视化组件，帮助展示实验结果图表等信息。 - **Scikit-Learn**: 提供建模评估指标以及其他机器学习算法接口。 - **OpenCV (cv2)**: 图像预处理阶段经常需要用到 OpenCV 实现各种图像变换操作。 对于 CPU-only 用户来说可以直接按照官方文档给出的方法执行安装指令来获取最基本的配置组合[^2]: ```bash conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` 而对于那些希望利用 GPU 性能加速的应用场景而言，则应该依据实际硬件条件挑选适合自己的 cuda/pytorch 匹配关系表找到对应的安装链接地址再手动复制粘贴至终端里运行即可。 最后值得注意的是当存在多个不同版本号的需求时可通过 `pip` 执行批量加载指定列表文件里的所有条目从而一次性解决全部问题[^4]: ```bash pip install -r requirements.txt ``` --- ###