环境搭建：安装与验证

本章所有命令标注了执行环境。教程基于 Python 3.10 ~ 3.12 + PyTorch 2.x。强烈建议使用虚拟环境——深度学习项目依赖复杂，混在全局 Python 里迟早互相污染。

第一步：创建虚拟环境

任选其一。conda 方案（推荐装过 Anaconda/Miniconda 的用户）：

# 终端（PowerShell 或 CMD 均可）
conda create -n torch python=3.12 -y
conda activate torch

venv 方案（只有纯 Python 的用户，Python 3.4+ 自带 venv）：

# Windows PowerShell
python -m venv .venv
.\.venv\Scripts\Activate.ps1

# macOS / Linux 终端
python3 -m venv .venv
source .venv/bin/activate

激活成功的标志：提示符前出现 (torch) 或 (.venv)。此后所有 pip/python 命令都在这个隔离环境里执行。为什么这么做：PyTorch、CUDA 驱动、torchvision 之间有严格的版本搭配关系，虚拟环境让你可以随时推倒重来而不污染系统。

第二步：安装 PyTorch

先确认你的硬件，不同硬件装法完全不同（这是新手装不上的第一原因——默认 pip install torch 在 Windows 上装的是 CPU 版）：

硬件	安装命令
NVIDIA GPU（Windows/Linux）	见下方 CUDA 安装
Apple Silicon（M1/M2/M3/M4）	pip install torch torchvision（默认包内置 MPS 加速）
无独显 / Intel 显卡 / AMD 显卡*	pip install torch torchvision（CPU 版）

* AMD 显卡在 Windows 上有 ROCm 预览支持、Linux 上有成熟方案，但安装路径特殊，本教程不展开；AMD 用户可先用 CPU 版完成学习。

NVIDIA GPU 用户：先查驱动支持的最高 CUDA 版本

# 终端（PowerShell / CMD）
nvidia-smi

输出右上角的 CUDA Version: 12.4 这类数字是驱动支持的上限，不是已安装的 CUDA Toolkit 版本。安装命令里的 cu121/cu124 必须 ≤ 这个数字（PyTorch 自带所需 CUDA 运行时，不需要单独安装 CUDA Toolkit）。

# 以 CUDA 12.1 为例（绝大多数近 3 年的 N 卡都兼容）：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

国内网络下载慢/超时的，加清华镜像（CPU 版）：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

版本对应关系提醒

• PyTorch 2.x 各小版本 API 高度兼容，本教程代码 2.1 ~ 2.x 均可运行。
• torch 与 torchvision 版本必须配套（如 2.5 ↔ 0.20），同一条 pip 命令安装会自动配对，不要分别 pip install 两次旧版本。
• 老项目锁定过 torch==1.x 的话，注意 1.x → 2.x 有些 API 移除（如 torch.load 的 weights_only 默认值变化，2.6 起加载本地可信模型文件建议显式传参，FAQ 有详述）。

第三步：验证安装

# 终端执行（一行）：
python -c "import torch; import torchvision; print('torch:', torch.__version__); print('cuda可用:', torch.cuda.is_available()); print('mps可用:', torch.backends.mps.is_available())"

预期输出（版本号会有差异）：

torch: 2.5.1+cu121
cuda可用: True
mps可用: False

判断标准：

• cuda可用: True → GPU 版安装成功，可以开始 GPU 训练。
• 有 N 卡但显示 False → 装成了 CPU 版，或驱动太旧。重跑 nvidia-smi 确认驱动正常，再按上表重装对应 CUDA 版本的 wheel。
• Mac 用户看 mps可用: True 即为正常（Apple Silicon 加速走 MPS 后端，不是 CUDA）。

再跑一个真实张量运算确认 GPU 真的能算：

import torch

device = torch.device("cuda" if torch.cuda.is_available() else
                      "mps" if torch.backends.mps.is_available() else "cpu")
print(f"使用设备: {device}")
x = torch.rand(1000, 1000, device=device)
y = x @ x          # 1000x1000 矩阵乘
print("运算成功:", y.shape, y.device)

本教程后续统一使用 device 三选一写法：cuda（NVIDIA）、mps（Apple）、cpu（兜底）。所有 .to(device) 的代码在纯 CPU 环境同样能跑通，没有 GPU 不影响学习。

常见问题

Q：pip install 报 No matching distribution found？ 检查 Python 版本（python --version）是否过新或过旧，PyTorch 官方 wheel 对 Python 版本有支持窗口（当前 3.9~3.12 最稳）。

Q：Windows 上 nvidia-smi 不是内部或外部命令？ 驱动未装或未加入 PATH。去 NVIDIA 官网装最新 Game Ready/Studio 驱动后重试。

Q：conda activate 报错？ 新版 conda 需要先初始化 shell：conda init powershell，重开终端后再 activate。

Q：Colab / 实验室服务器已有环境，还要装吗？ 不用，跳过本章，直接看最小可运行示例。

环境就绪，下一步跑通你的第一个 PyTorch 程序。