冠军资讯
程序员老猫在 Ubuntu 20.04 系统上安装 Pytorch 2.7.1 常常会遇到各种依赖问题和版本冲突，尤其是对于新手来说，极易陷入各种“坑”。本文将详细介绍在 Ubuntu 20.04 下安装 Pytorch 2.7.1 的完整步骤，并分享一些实战经验，助你快速搭建深度学习环境。
1. 问题场景重现：CUDA、显卡驱动与 Pytorch 的恩怨情仇
很多同学在安装 Pytorch 时会遇到 CUDA 版本不匹配、显卡驱动未正确安装等问题。例如，即使你的机器安装了最新的 NVIDIA 显卡驱动，Pytorch 仍然可能无法检测到 CUDA，导致无法使用 GPU 加速。这通常是因为 Pytorch 需要特定版本的 CUDA Toolkit，而系统默认安装的驱动程序可能不包含相应的 CUDA 库。另一种常见情况是，安装了多个版本的 CUDA，导致环境冲突。
1.1 常见错误案例
RuntimeError: CUDA error: no CUDA-capable device is detected：表示系统没有检测到可用的 CUDA 设备。ImportError: libcudart.so.11.0: cannot open shared object file: No such file or directory：表示缺少 CUDA 运行时库。版本冲突导致 Pytorch 无法正常工作：例如，Pytorch 期望 CUDA 11.3，而系统安装了 CUDA 11.5。
2. 底层原理剖析：CUDA、cuDNN 与 Pytorch 的关系
Pytorch 利用 CUDA 进行 GPU 加速计算。CUDA 是 NVIDIA 提供的并行计算平台和编程模型，它允许开发者使用 C/C++ 等编程语言编写程序，并在 NVIDIA GPU 上运行。cuDNN 是 NVIDIA 提供的深度神经网络加速库，它基于 CUDA 构建，提供了高度优化的深度学习算法实现，可以显著提高 Pytorch 的训练和推理速度。
Pytorch 本身并不包含 CUDA 和 cuDNN，它依赖于系统中已安装的 CUDA Toolkit 和 cuDNN 库。因此，在安装 Pytorch 之前，需要先安装正确版本的 CUDA Toolkit 和 cuDNN，并配置好环境变量。
2.1 CUDA 版本选择
在选择 CUDA 版本时，需要参考 Pytorch 官方文档。通常，Pytorch 会支持多个 CUDA 版本，但建议选择官方推荐的版本。例如，Pytorch 2.7.1 可能支持 CUDA 11.3、11.6 等版本。选择合适的 CUDA 版本可以避免版本冲突和兼容性问题。
2.2 显卡驱动安装
建议安装 NVIDIA 官方提供的最新稳定版本的显卡驱动程序。可以使用 nvidia-smi 命令查看已安装的驱动版本。如果驱动版本过低，可能会导致 CUDA 无法正常工作。
3. 解决方案：一步一步安装 Pytorch 2.7.1
3.1 准备工作
更新系统软件源：
sudo apt update sudo apt upgrade安装必要的依赖：
sudo apt install build-essential cmake git wget unzip
3.2 安装 CUDA Toolkit
下载 CUDA Toolkit：
从 NVIDIA 官网下载对应版本的 CUDA Toolkit。例如，下载 CUDA 11.3 的 runfile 安装包。
安装 CUDA Toolkit：
sudo sh cuda_11.3.0_465.19.01_linux.run --silent --toolkit --samples --driver注意： 在安装过程中，可以选择不安装驱动程序，如果你的系统中已经安装了 NVIDIA 驱动，建议不要覆盖安装。
配置环境变量：
echo 'export PATH=/usr/local/cuda-11.3/bin${PATH:+:${PATH}}' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc source ~/.bashrc验证 CUDA 安装：
nvcc -V
3.3 安装 cuDNN
下载 cuDNN：
从 NVIDIA 官网下载对应 CUDA 版本的 cuDNN 库。需要注册 NVIDIA 开发者账号。
解压 cuDNN：
tar -xzv cudnn-11.3-linux-x64-v8.2.1.32.tgz复制 cuDNN 文件：
sudo cp cuda/include/cudnn*.h /usr/local/cuda-11.3/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.3/lib64/ sudo chmod a+r /usr/local/cuda-11.3/include/cudnn*.h /usr/local/cuda-11.3/lib64/libcudnn*
3.4 安装 Pytorch 2.7.1
创建虚拟环境（推荐）：
conda create -n pytorch271 python=3.8 conda activate pytorch271安装 Pytorch：
根据 Pytorch 官网提供的命令安装指定版本的 Pytorch。注意选择与 CUDA 版本对应的安装命令。例如：
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113验证 Pytorch 安装：
import torch print(torch.__version__) print(torch.cuda.is_available())如果
torch.cuda.is_available()返回True，则表示 Pytorch 成功检测到 GPU。
4. 实战避坑经验总结
- 版本匹配至关重要：务必选择与 Pytorch 版本兼容的 CUDA 和 cuDNN 版本。参考 Pytorch 官方文档，避免版本冲突。
- 使用虚拟环境：使用 conda 或 virtualenv 创建独立的虚拟环境，可以避免不同项目之间的依赖冲突。
- Nvidia 驱动问题：如果出现驱动问题，尝试更新到最新稳定版本，或者回退到之前的可用版本。
- 国内镜像加速：使用国内 PyPI 镜像可以加速 Pytorch 包的下载。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 - 解决网络问题：若网络不稳定导致安装失败，尝试使用代理或更换网络环境。可以考虑配置 pip 的代理：
pip config set global.proxy http://your_proxy_address:your_proxy_port
5. 常见问题与解答
Q: 为什么我的 Pytorch 能够检测到 CUDA，但是训练速度还是很慢？ A: 可能的原因包括：
- 数据传输瓶颈：如果数据量很大，CPU 和 GPU 之间的数据传输可能会成为瓶颈。可以尝试使用
torch.utils.data.DataLoader加载数据，并设置num_workers参数，利用多进程加速数据加载。 - 模型结构不合理：模型结构可能不适合 GPU 并行计算。可以尝试优化模型结构，或者使用更适合 GPU 的模型。
- batch size 过小：batch size 过小会导致 GPU 利用率不高。可以尝试增大 batch size，直到 GPU 达到较高的利用率。
- 未开启 Tensor Cores：如果你的 GPU 支持 Tensor Cores，可以尝试开启 Tensor Cores 加速计算。例如，使用
torch.set_float32_matmul_precision('medium')。
Q: 如何卸载 CUDA Toolkit 和 cuDNN？ A: 卸载 CUDA Toolkit：
sudo /usr/local/cuda-11.3/bin/uninstall_cuda_toolkit
卸载 cuDNN：
直接删除相关的头文件和库文件即可。
通过本文的详细步骤和实战经验，相信你一定能够在 Ubuntu 20.04 下成功安装 Pytorch 2.7.1，并搭建起高效的深度学习环境。记得关注后续内容，我会继续分享更多关于 Pytorch 的使用技巧和最佳实践，包括模型部署、性能优化等。
