在Linux系统中部署PyTorch是深度学习开发的基础环节。不同发行版和硬件环境对应的安装方式有所区别，核心在于明确自身是需要CPU计算还是NVIDIA显卡加速，并选择合适的包管理工具完成依赖配置。
一、安装前的环境确认
动手安装之前，先要把系统环境和硬件能力摸清楚，避免装完发现用不了。第一步是确认Linux发行版与Python版本，PyTorch官方一般支持Ubuntu、CentOS等主流发行版，Python通常要求3.8到3.11之间。可以用终端命令快速查看。
如果打算用GPU训练，还必须确认NVIDIA驱动和CUDA运行时版本。没有正确驱动，即使装了GPU版PyTorch也无法调用显卡。通过nvidia-smi命令能看到驱动支持的最高CUDA版本，再去PyTorch官网对照下载对应的cu包。很多新手忽略这点，直接装了最新版却和驱动不兼容。
# 查看系统信息 cat /etc/os-release # 查看Python版本 python3 --version # 查看NVIDIA驱动与CUDA支持 nvidia-smi
二、使用pip安装PyTorch
pip是Python自带的包管理器，适合已经熟悉Python环境管理的用户。CPU版本安装最简单，直接从官方源拉取即可，不需要额外显卡依赖，包体也小。
GPU版本则要在命令中指定CUDA版本标签，例如cu118代表CUDA 11.8。为防止依赖污染，建议先创建虚拟环境再安装。下面示例展示了在虚拟环境中用pip安装CPU与GPU版本的方式，实际使用时二选一。
# 创建并激活虚拟环境 python3 -m venv torch_env source torch_env/bin/activate # 安装CPU版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 安装GPU版本（CUDA 11.8） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip安装的优点是轻量、直观，缺点是在某些Linux发行版上可能需手动处理底层库，例如libgomp等。若遇到找不到动态库的错误，通常用系统包管理器补装即可。
三、使用conda安装PyTorch
conda不仅管理Python包，还能统一管理CUDA工具链，对Linux新手更友好。通过conda安装的PyTorch会自动搭配兼容的底层依赖，降低环境冲突概率。
下面代码演示了用conda创建环境并安装GPU版PyTorch的过程。conda会自动解析cudatoolkit版本，用户不必像pip那样精确对齐驱动。如果只需要CPU，把cudatoolkit去掉换成cpuonly即可。
# 创建conda环境 conda create -n torch_gpu python=3.10 conda activate torch_gpu # 安装GPU版，cudatoolkit 11.8 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia # 安装CPU版 conda install pytorch torchvision torchaudio cpuonly -c pytorch
conda的劣势是环境体积较大，下载耗时偏长。但在团队开发中，导出的environment.yml能一键复现环境，这点比pip灵活。
四、安装后验证
不论用哪种方式装完，都要写代码验证是否成功。验证重点是能否导入模块、能否创建张量，以及GPU版能否识别显卡。
下面这段Python代码可同时覆盖CPU与GPU检测。若cuda_available打印为True，说明GPU版工作正常；若为False但安装的是CPU版，也属预期。任何导入报错都代表环境没装对，需要回看前几步。
import torch
# 检查是否能导入
print("torch version:", torch.__version__)
# 创建张量
x = torch.rand(3, 3)
print("tensor:n", x)
# 检查GPU
if torch.cuda.is_available():
print("CUDA可用，设备名：", torch.cuda.get_device_name(0))
y = x.cuda()
print("已转移到显卡：", y.device)
else:
print("当前为CPU模式")
五、常见问题与处理
在Linux下安装PyTorch时，最容易碰到的是源访问慢。此时可临时切换为国内镜像，但要注意PyTorch的GPU包不在普通PyPI镜像里，仍需用官方index-url。
另一个坑是多个Python环境混淆。终端输入which python时，若指向系统目录而非虚拟环境，装的包就会错位。务必确认激活环境后再执行安装命令，并用同一个解释器运行验证脚本。
| 问题现象 | 可能原因 | 解决办法 |
|---|---|---|
| 导入torch报错找不到lib | 系统缺运行时库 | 用apt或yum安装libgomp等 |
| cuda.is_available为False | 驱动或CUDA版本不匹配 | 重装对应cu标签版本 |
| pip下载极慢 | 默认源在国外 | 使用官方index-url或代理 |
只要按上述步骤确认环境、选对工具、装后验证，Linux下的PyTorch安装就是一件可控且重复性强的工作。后续开发模型时，也能更专注于算法本身而不是环境折腾。
LinuxPyTorchpip_install修改时间：2026-08-06 05:03:25