PyTorch本地环境搭建有四种路径：一、conda安装（推荐，自动处理CUDA协同）；二、pip安装（灵活，适配CPU或指定CUDA版本）；三、源码编译（定制化需求，如ARM64或启用MKL-DNN）；四、Docker部署（保障跨平台一致性与CI/CD集成）。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在本地计算机上配置人工智能开发所需的PyTorch环境，但尚未完成安装或遇到依赖冲突、CUDA版本不匹配等问题，则可能是由于Python环境未规范管理、系统架构识别错误或包源不可达所致。以下是完成PyTorch环境搭建的多种可行路径：
一、使用conda命令安装（推荐用于科学计算环境）
Conda可自动处理PyTorch与CUDA工具包的版本协同，避免手动配置cuDNN路径，尤其适合Windows和Linux平台上的GPU加速场景。
1、确保已安装Anaconda或Miniconda，并在终端中执行conda --version验证可用性。
2、创建独立环境：运行conda create -n pytorch_env python=3.9，其中python版本需在PyTorch官方支持范围内。
3、激活环境：conda activate pytorch_env。
4、访问PyTorch官网安装页面，根据操作系统、包管理器、语言、CUDA版本选择对应命令。
5、复制并执行生成的conda安装命令，例如：conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia。
6、验证安装：python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"，若输出版本号且cuda.is_available()返回True，则GPU支持已启用。
二、使用pip命令安装（适用于轻量级或已有虚拟环境）
Pip安装更灵活，可嵌入现有venv或virtualenv中，适合对环境隔离要求明确、或仅需CPU版PyTorch的开发场景。
1、确认Python版本为3.8–3.11之间，运行python --version检查。
2、升级pip至最新稳定版：python -m pip install --upgrade pip。
3、根据是否启用GPU支持，选择对应命令：
4、仅CPU版本：执行pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu。
5、CUDA 12.1版本：执行pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121。
6、安装完成后，在Python交互式环境中运行import torch; print(torch.backends.cudnn.enabled)，若为GPU版本且返回True，表示cuDNN已正确加载。
三、从源码编译安装（适用于定制化需求或非标准硬件）
当目标平台为ARM64服务器、RISC-V设备，或需启用特定编译选项（如MKL-DNN、XLA）时，必须通过源码构建以获得完全可控的二进制文件。
1、安装必要构建依赖：Ubuntu系统执行sudo apt-get install build-essential cmake libopenblas-dev liblapack-dev libgflags-dev libgoogle-glog-dev liblmdb-dev libhdf5-serial-dev。
2、克隆PyTorch仓库：git clone --recursive https://github.com/pytorch/pytorch，注意必须包含submodule。
3、进入项目目录后，设置编译变量，例如禁用CUDA：export USE_CUDA=0；启用MPI：export USE_MPI=1。
4、执行构建命令：python setup.py develop（开发模式）或python setup.py install（全局安装）。
5、编译过程可能持续30分钟以上，期间需确保磁盘剩余空间大于15 GB。
6、验证方式同前，但需额外检查torch.__config__.show()输出中是否包含所启用的后端标识。
四、Docker容器化部署（适用于跨平台一致性与CI/CD集成）
Docker镜像封装了完整运行时栈，可规避宿主机环境差异，特别适用于团队协作、模型训练流水线及云推理服务部署。
1、确认Docker Engine已安装并运行，执行docker --version验证。
2、拉取官方PyTorch镜像：docker pull pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime（以CUDA 12.1为例）。
3、启动交互式容器：docker run --gpus all -it --rm -v $(pwd):/workspace pytorch/pytorch:2.3.0-cuda12.1-cudnn8-runtime。
4、容器内默认工作目录为/workspace，可直接运行Python脚本或Jupyter Notebook。
5、若需持久化conda环境，应在Dockerfile中基于基础镜像添加conda install指令，并使用docker build重新构建。
6、验证GPU可见性：nvidia-smi应在容器内正常输出显卡信息，且torch.cuda.device_count()返回值应等于实际可见GPU数量。
