### 创建PyTorch环境 为了在Ubuntu上创建一个适合PyTorch开发的环境，建议采用Anaconda来管理依赖关系和不同版本间的兼容性问题。通过Anaconda创建一个新的Python环境能够有效隔离项目之间的冲突。 #### 安装Anaconda 确保已经安装了最新版本的Anaconda或Miniconda。如果没有，请访问官方网站获取适用于Linux系统的安装脚本，并按照官方指南完成安装过程[^4]。 #### 创建专用的PyTorch环境 一旦有了Anaconda的基础支持，则可以通过以下命令建立专属于PyTorch项目的虚拟环境： ```bash conda create -n pytorch_env python=3.8 ``` 这条指令会在`pytorch_env`名称下构建新的工作区，并指定Python 3.8作为此环境中的默认解释器版本。 激活新创建的环境以便后续操作均在此上下文中执行： ```bash conda activate pytorch_env ``` #### 安装CUDA及相关组件 对于希望利用GPU加速计算的任务来说，还需要准备相应的NVIDIA驱动程序以及匹配版本的CUDA Toolkit与cuDNN库。考虑到当前使用的Ubuntu 18.04操作系统，推荐遵循来自NVIDIA官方文档的具体指导来进行这些软件包的选择与部署[^1]。 例如，当决定安装CUDA 11.1时，可依照如下方式下载并启动安装向导： ```bash wget https://developer.download.nvidia.com/compute/cuda/11.1.1/local_installers/cuda_11.1.1_450.80.02_linux.run sudo sh cuda_11.1.1_450.80.02_linux.run ``` 注意，在实际应用过程中应当依据个人需求挑选合适的CUDA版本号及其对应的驱动版本。 另外一种方法是直接借助APT包管理系统简化整个流程，比如针对CUDA 11.8而言就可以简单地发出这样的请求： ```bash sudo apt install -y cuda-11-8 ``` 这种方式通常更加便捷高效，但也可能受到发行版维护周期的影响而存在一定的局限性[^3]。 #### 设置环境变量 为了让系统识别到刚刚安装好的CUDA工具链，记得更新`.bashrc`或其他shell配置文件内的PATH及其他必要路径项。一般情况下只需追加几行简单的声明即可满足基本要求。 #### 安装PyTorch框架本身 最后一步就是引入核心目标——PyTorch库连同其附属模块。鉴于之前所做的准备工作，现在可以直接调用pip或者conda来实现这一点。这里提供了一个基于Conda的例子供参考： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch ``` 上述命令假设读者已经在前面环节妥善处理好了硬件驱动及CUDA的支持情况；如果不是这样的话，则应该调整参数以适应实际情况下的具体条件。