1. 为什么 PyTorch 安装这件事值得单独写一篇
如果你已经装过三四次 PyTorch，可能会觉得这话题没什么好聊的——一条命令的事。但我带过的新人里，十个有八个在第一次装 PyTorch 时卡过至少半天，而且卡住的地方高度集中：不是命令记不住，而是环境没理清楚就急着敲安装命令。装完之后import torch报错、torch.cuda.is_available()返回False、conda 和 pip 混着装出两套版本互相打架，这些问题的根子都不在安装命令本身，而在安装之前的判断和安装之后的验证。
这篇内容我打算把 PyTorch 安装与验证这件事从头到尾讲透。它适合三类人：完全没碰过深度学习框架、想一次装对不返工的初学者；装过但被环境问题折磨过、想搞清楚原理的中级使用者；以及需要给团队写一份可复现环境文档的工程同学。核心关键词就是PyTorch、安装、验证，但我会把这三个词背后的判断逻辑、参数取舍、踩坑经验全部展开，让你看完之后不只是会敲命令，而是知道每一步为什么这么敲。
先说一个反直觉的结论：PyTorch 安装的难点从来不是安装，而是"验证"。很多人装完看到没报错就以为成功了，结果跑训练时才发现用的是 CPU 版本，或者 CUDA 版本和驱动对不上，白白浪费几个小时。所以这篇的重点会放在验证环节，把"怎么确认自己真的装对了"讲清楚。
另外提前说明，本文涉及的所有操作都是本地开发环境的常规配置，不涉及任何网络访问工具相关的内容，纯粹围绕 Python 生态和深度学习框架本身展开。
2. 装之前必须想清楚的三个问题
动手之前先花五分钟回答三个问题，能帮你省掉后面至少两小时的返工。这三个问题分别是：用 conda 还是 pip、装 CPU 版还是 GPU 版、Python 版本选哪个。每一个都会直接影响你后面敲的命令。
2.1 conda 和 pip 到底该选哪个
这是新手最容易纠结的点。我的建议很直接：如果你用 Anaconda 或 Miniconda 管理环境，就用 conda 装；如果你用系统 Python 或 venv，就用 pip 装。关键是不要混用。
为什么不能混用？因为 conda 和 pip 各自维护一套依赖解析逻辑，conda 装了一部分包、pip 又装了另一部分，很容易出现同一个包存在两个版本、动态库路径冲突的情况。我见过最典型的症状是：conda list显示 torch 是 2.1，pip show torch显示是 2.0，import torch时加载的却是另一个，报错信息还特别隐晦。
从实际体验看，conda 的优势在于它能连带把 CUDA 运行时、cuDNN 这些非 Python 依赖一起装好，省去手动配环境变量的麻烦；pip 的优势是版本更新更快、包更全，尤其是某些新版本 PyTorch 在 conda 渠道上会滞后几天。所以我的取舍是：追求省心用 conda，追求最新用 pip，但一个环境里只用一种。
2.2 CPU 版和 GPU 版的分水岭在哪
很多人一上来就想装 GPU 版，但其实要先确认两件事：你的显卡是不是 NVIDIA 的、驱动版本够不够。AMD 显卡和 Mac 的 M 系列芯片走的是另一套方案（ROCm 和 MPS），不在本文的 CUDA 讨论范围内。
判断方法很简单，在命令行敲：
nvidia-smi如果这条命令能输出显卡信息和驱动版本，说明你有 NVIDIA 显卡且驱动装好了。重点看右上角的CUDA Version，这个数字代表你的驱动最高支持的 CUDA 版本，不是你已经装的 CUDA 版本。比如显示CUDA Version: 12.4，那你可以装 CUDA 12.1 或 12.4 的 PyTorch，但不能装 12.6 的。
如果nvidia-smi报"不是内部或外部命令"，说明驱动没装或者显卡不是 NVIDIA 的，那就老老实实装 CPU 版。CPU 版不是不能用，只是训练大模型会慢到让你怀疑人生，做小规模实验和推理完全够。
2.3 Python 版本别追新也别守旧
PyTorch 对 Python 版本有明确的支持范围。截至我写这篇时的稳定版本，Python 3.9 到 3.11 是最稳的区间，3.12 部分版本支持但生态包（比如某些数据处理库）可能还没跟上，3.8 及以下已经逐步停止支持。
我的经验是：新项目用 3.10 或 3.11，老项目跟着原环境走。不要为了用某个新语法去装 3.13，然后发现一半的依赖装不上。conda 创建环境时可以指定版本：
conda create -n pytorch_env python=3.10 conda activate pytorch_env这里pytorch_env是环境名，你可以随便起，但建议起得有意义一点，比如dl_train、torch_gpu，别用test1、env这种，过两周你自己都忘了哪个是哪个。
提示：环境名一旦创建后改名比较麻烦，建议一开始就想好命名规则，比如按用途或按框架版本命名。
3. 分场景的安装命令与参数取舍
环境想清楚之后，安装本身其实很快。这一节我按"CPU 版""GPU 版""国内网络环境"三个场景分别给出命令，并解释每个参数为什么这么写。
3.1 CPU 版：最省事但也最容易装错
CPU 版的官方推荐命令是：
pip install torch torchvision torchaudio看起来简单，但这里有个坑：如果你之前装过 GPU 版，这条命令不一定会把 GPU 版替换掉，因为 pip 认为版本号相同就不重装。所以如果你是从 GPU 版切回 CPU 版，建议先卸载：
pip uninstall torch torchvision torchaudio pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu注意后面那个--index-url，它明确指向 CPU 版本的下载源。不加这个参数，pip 可能会从默认源拉到带 CUDA 的版本，导致你明明想要 CPU 版却装了个几百 MB 的 GPU 包。
conda 装 CPU 版则是：
conda install pytorch torchvision torchaudio cpuonly -c pytorchcpuonly这个包是关键，它告诉 conda 不要装 CUDA 相关的依赖。
3.2 GPU 版：CUDA 版本必须和驱动对齐
GPU 版的命令长这样：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这里的cu121代表 CUDA 12.1。你要根据前面nvidia-smi看到的驱动支持版本来选，常见的有cu118、cu121、cu124。选错了会怎样？轻则torch.cuda.is_available()返回False，重则 import 时直接报找不到动态库。
conda 版本：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia注意-c nvidia这个渠道，CUDA 相关的包在 NVIDIA 自己的渠道里，不加会找不到。
我整理了一张对照表，方便你快速判断：
| 驱动显示的 CUDA Version | 推荐安装的 PyTorch CUDA 版本 | 说明 |
|---|---|---|
| 11.8 | cu118 | 老驱动，兼容性好 |
| 12.1 | cu121 | 目前最稳的组合 |
| 12.4 | cu124 | 较新，部分包生态还在跟进 |
| 12.6 及以上 | cu124 或更高 | 按官方最新支持选 |
注意：驱动版本高于 PyTorch 要求的 CUDA 版本是没问题的，向下兼容；反过来则不行。所以驱动新一点反而更灵活。
3.3 网络慢的时候怎么办
官方源在国内访问有时候会很慢，这时候可以换镜像源。但换源有个原则：镜像源要和你装的版本匹配，不能随便找个源就装。
pip 换源的方式是加-i参数：
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple但要注意，清华源这类通用镜像不一定同步了所有 CUDA 版本的 PyTorch 包，如果装 GPU 版失败，还是建议回到官方源加--index-url。
conda 换源则是修改.condarc文件，把 channels 指向镜像。这个操作我建议谨慎，因为 conda 的镜像同步有时会有延迟，导致你装到的版本比官方旧。我的做法是：CPU 版和通用包用镜像，GPU 版和 CUDA 相关包坚持用官方源。
4. 验证环节：怎么确认自己真的装对了
这一节是全文的核心。安装命令敲完不报错，不代表装对了。下面这套验证流程，我建议每次装完都完整跑一遍。
4.1 第一层验证：能不能 import
最基础的验证：
import torch print(torch.__version__)如果这步就报错，说明安装本身有问题，常见原因是环境没激活、装到了别的 Python 环境里。这时候先确认：
which python # Linux/Mac where python # Windows输出的路径应该指向你当前激活的环境。如果指向系统 Python，说明环境没激活成功。
4.2 第二层验证：CUDA 到底能不能用
这步是 GPU 用户的重灾区：
import torch print(torch.cuda.is_available()) print(torch.cuda.device_count()) print(torch.cuda.get_device_name(0))is_available()返回True才算 GPU 版装成功。如果返回False，按下面这个顺序排查：
- 确认装的是 GPU 版而不是 CPU 版：
print(torch.version.cuda)，如果是None，说明装的是 CPU 版。 - 确认驱动版本够：回到
nvidia-smi看驱动支持的 CUDA 版本。 - 确认 CUDA 版本匹配：
torch.version.cuda显示的版本要小于等于驱动支持的版本。
我踩过最坑的一次是：驱动是 11.7，我装了 cu118 的 PyTorch，is_available()一直返回False，查了半天才发现是驱动太老。升级驱动后立刻就好了。
4.3 第三层验证：跑一个真实的小计算
前两层过了，还要跑一个实际计算确认没有隐藏问题：
import torch # 创建一个张量并做矩阵乘法 x = torch.randn(3, 3) y = torch.randn(3, 3) z = torch.matmul(x, y) print(z) # 如果有 GPU，把计算放到 GPU 上 if torch.cuda.is_available(): x_gpu = x.to('cuda') y_gpu = y.to('cuda') z_gpu = torch.matmul(x_gpu, y_gpu) print(z_gpu) print(z_gpu.device)这步能跑通，说明从 Python 层到 CUDA 层的整条链路都是通的。如果 GPU 计算报错，通常是 CUDA 运行时和 PyTorch 编译版本不匹配。
4.4 第四层验证：torchvision 和 torchaudio 是否配套
很多人只验证 torch，忽略了 torchvision 和 torchaudio。这三个包的版本必须配套，否则会出现奇怪的兼容问题：
import torch import torchvision import torchaudio print(torch.__version__) print(torchvision.__version__) print(torchaudio.__version__)版本对应关系可以去 PyTorch 官网的版本矩阵查。一般来说，同一批命令装下来的三个包是配套的，但如果你是分开装的，就要特别留意。
5. 那些年我踩过的安装坑
这一节不讲理论，只讲真实踩过的坑和排查过程。这些经验在官方文档里基本找不到，但实际工作中遇到概率极高。
5.1 conda 命令找不到：环境变量没配
Windows 上装完 Miniconda 后，新开命令行敲conda提示"无法将 conda 项识别为 cmdlet"，这是最经典的坑。原因是安装时没勾选"Add to PATH"，或者勾了但当前终端没刷新。
解决办法有两个：一是重新运行安装程序勾选添加 PATH；二是手动把 conda 的Scripts和condabin目录加到系统环境变量里。我一般推荐第二种，因为可控。
Linux 和 Mac 上则是把 conda 的初始化脚本加到.bashrc或.zshrc：
source ~/miniconda3/etc/profile.d/conda.sh5.2 pip 装完 import 报 DLL 错误
Windows 上偶尔会遇到ImportError: DLL load failed，这通常是缺了 Visual C++ 运行库。装一个 Microsoft Visual C++ Redistributable 基本能解决。另一个可能是 numpy 版本冲突，PyTorch 对 numpy 版本有要求，太新或太旧都可能出问题。
排查方法：
pip show numpy如果版本特别新（比如 2.x），可以试着降到 1.26 左右。
5.3 装完发现装到了 base 环境
这是新手高频错误：忘了conda activate，直接在 base 环境里装了一堆包，把 base 环境搞得乱七八糟。base 环境是 conda 自己用的，不建议往里装项目依赖。
补救办法是卸载重装到新环境。预防办法是养成习惯：装任何包之前先看命令行提示符前面有没有环境名。
5.4 版本号看着对但功能不对
有一次我装完 PyTorch，torch.__version__显示 2.1.0，但某些新 API 用不了。查了半天发现是装到了预发布版本或者某个 fork 版本。这种情况在用了非官方源时更容易出现。
所以验证时不要只看版本号，还要实际调用一下你要用的 API。比如你要用torch.compile，就实际跑一下确认能用。
6. 装完之后的环境固化与复用
装好一个能用的环境不容易，所以一定要固化下来，方便以后复现或者分享给同事。
6.1 导出环境依赖清单
conda 环境导出：
conda env export > environment.ymlpip 环境导出：
pip freeze > requirements.txt两者的区别是：environment.yml会记录 conda 渠道信息和 Python 版本，复现更完整；requirements.txt只记录 pip 包，跨平台兼容性更好但可能漏掉非 Python 依赖。
我的习惯是两个都导出，environment.yml用于自己复现，requirements.txt用于分享给不用 conda 的人。
6.2 复现环境时的注意事项
用environment.yml复现时：
conda env create -f environment.yml注意导出的文件里可能包含prefix字段，记录了原环境的绝对路径，换机器复现时这个字段会导致问题，建议手动删掉。
用requirements.txt复现时：
pip install -r requirements.txt如果里面有 CUDA 相关的包，要确认目标机器的驱动版本匹配，否则会装出问题。
6.3 给团队写环境文档的模板
如果是团队协作，我建议在 README 里写清楚这几项：Python 版本、PyTorch 版本、CUDA 版本、安装命令、验证脚本。验证脚本可以直接用第 4 节的那几段代码，让每个人装完自己跑一遍，比口头交代靠谱得多。
7. 关于验证集的一点延伸
热词里出现了"训练集 测试集 验证集"，虽然和安装本身不是一回事，但既然装 PyTorch 是为了做深度学习，这里顺带说一句：环境验证和数据集的验证集是两码事，别混淆。
环境验证是确认框架装对了，数据集划分里的验证集是模型训练时用来调超参的。前者是工程问题，后者是算法问题。我见过新人把这两个概念搞混，以为torch.cuda.is_available()返回 True 就代表模型能训好，这完全是两回事。
装好环境只是起点，后面还有数据准备、模型定义、训练循环、评估指标一大堆事。但环境这关过不去，后面全是空谈。所以花时间把安装和验证做扎实，是性价比最高的投入。
最后分享一个我自己的习惯：每次在新机器上装完 PyTorch，我都会把第 4 节的验证脚本存成一个check_env.py文件，放在项目根目录。换机器、换环境、升级版本之后，第一件事就是跑这个脚本。三秒钟出结果，比任何排查都高效。这个脚本我用了三年，帮我省下的时间大概够我多写好几个模型了。
