深度学习环境搭建：PyTorch+TorchVision+Python 版本对应与安装全指南

在安装前，必须明确三个组件的依赖关系，避免盲目选择版本：

核心结论：先确定 Python 版本（优先 3.8-3.11，稳定性强），再选对应的 PyTorch 版本，最后匹配 TorchVision 版本；GPU 用户额外确认 CUDA 兼容性。

以下是官方推荐的稳定版本组合（截至 2025 年 5 月），覆盖 CPU/GPU 场景，可直接对照选择：

关键备注：

• CPU 版本：无需考虑 CUDA，所有 Python 支持版本均可直接安装；

• macOS 特殊：Apple Silicon（M1/M2/M3）芯片仅支持 PyTorch 2.0+ 的 CPU 版本（暂不支持官方 GPU 加速，可通过 MPS 框架实现部分加速）；

• 版本号规则：PyTorch 版本号格式为「主版本。次版本。补丁版」（如 2.2.1），TorchVision 需与 “主版本。次版本” 一致（如 2.2.x 对应 0.17.x）。

根据是否需要 GPU 加速、是否习惯包管理器，分为「pip 安装」和「conda 安装」两种方式，覆盖全系统。

前置准备：确认基础环境

执行 nvidia-smi（Windows/Linux），查看显卡型号和支持的最高 CUDA 版本（如输出 “CUDA Version: 12.2”，则可选择 PyTorch 支持的 12.1 版本）；

若提示 “nvidia-smi 不是内部命令”，需先安装 NVIDIA 显卡驱动。

方式 1：pip 安装（适合熟悉 pip 管理的用户）

pip 安装需手动匹配版本，需先确定 “PyTorch 版本 + Python 版本 + CUDA 版本”，再执行对应命令。

（1）CPU 版本安装（全系统通用）

以 “Python 3.10 + PyTorch 2.2 + TorchVision 0.17” 为例（最稳定组合）：

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
# 1. 升级 pip（避免版本过低导致安装失败）pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/# 2. 安装 PyTorch 2.2 CPU 版pip install torch==2.2.0+cpu -f https://download.pytorch.org/whl/torch_stable.html -i https://mirrors.aliyun.com/pypi/simple/# 3. 安装匹配的 TorchVision 0.17 CPU 版pip install torchvision==0.17.0+cpu -f https://download.pytorch.org/whl/torch_stable.html -i https://mirrors.aliyun.com/pypi/simple/（2）GPU 版本安装（Windows/Linux，需 NVIDIA 显卡）以 “Python 3.10 + PyTorch 2.2 + CUDA 11.8” 为例（兼容性最广）：# 1. 升级 pippip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/# 2. 安装 PyTorch 2.2 + CUDA 11.8pip install torch==2.2.0+cu118 -f https://download.pytorch.org/whl/torch_stable.html -i https://mirrors.aliyun.com/pypi/simple/# 3. 安装 TorchVision 0.17 + CUDA 11.8pip install torchvision==0.17.0+cu118 -f https://download.pytorch.org/whl/torch_stable.html -i https://mirrors.aliyun.com/pypi/simple/（3）macOS 特殊：Apple Silicon 芯片安装Apple M 系列芯片需安装适配 ARM 架构的版本，暂不支持官方 GPU 加速，但可通过 MPS 实现部分加速：# 升级 pippip3 install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/# 安装 PyTorch 2.2 + TorchVision 0.17（自动适配 M 芯片）pip3 install torch==2.2.0 torchvision==0.17.0 -i https://mirrors.aliyun.com/pypi/simple/
      
      
      

避坑提示：

• 若安装慢或报错 “Read timed out”，需加国内镜像源（如上述命令中的阿里云源，参考前文 pip 镜像源配置）；

• 版本号需严格对应（如 torch==2.2.0 必须配 torchvision==0.17.0），不可随意替换为其他版本。

方式 2：conda 安装（推荐新手，自动管理依赖）

conda（Anaconda/Miniconda）会自动匹配 Python、PyTorch、CUDA 的依赖关系，无需手动指定版本，尤其适合 GPU 环境。

前置：安装 conda

若未安装 conda，先下载 Miniconda（轻量版，推荐），按指引安装：

• Windows：勾选 “Add Miniconda3 to PATH”（方便终端调用）；

• macOS/Linux：默认安装即可，安装后执行 source ~/.bashrc（或 .zshrc）生效。

（1）创建并激活虚拟环境

先创建独立虚拟环境（避免污染全局环境）：

# 1. 创建虚拟环境（env_name 为环境名，如 pytorch22，指定 Python 3.10）conda create -n env_name python=3.10 -y# 2. 激活虚拟环境# Windows（CMD/PowerShell）：conda activate env_name# macOS/Linux（终端）：source activate env_name

（2）安装 PyTorch + TorchVision

根据是否需要 GPU，选择对应命令（conda 会自动安装匹配的 TorchVision）：

加速技巧：配置 conda 国内源

默认 conda 源在国外，安装慢可添加清华源（一次配置，永久生效）：

      
      
      

       
       
       

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

        
        
        

       
       
       
       
       
       
# 1. 打开 conda 配置文件conda config --set show_channel_urls yes# 2. 添加清华源（Windows/macOS/Linux 通用）conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/nvidia/
      
      
      
      
      
      

       

      
      
      
      
      
      

       
      
      
      

安装后必须验证三个组件是否正常工作，避免后续开发报错：

1. 基础验证：查看版本

打开终端 / CMD，激活虚拟环境（conda 安装需激活，pip 全局安装可直接执行），输入 python（或 python3）进入 Python 交互环境，执行以下代码：

# 导入 PyTorch 和 TorchVisionimport torchimport torchvision# 查看版本（需与安装的版本一致）print("PyTorch 版本：", torch.__version__)print("TorchVision 版本：", torchvision.__version__)print("Python 版本：", torch.version.python)

正常输出示例：

PyTorch 版本： 2.2.0TorchVision 版本： 0.17.0Python 版本： 3.10.12

2. GPU 验证：检查显卡加速是否生效

若安装的是 GPU 版本，额外执行以下代码验证 CUDA 是否可用：

# 检查 CUDA 是否支持print("CUDA 是否可用：", torch.cuda.is_available())# 查看 GPU 型号（有则输出，无则显示 None）print("GPU 型号：", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无 GPU")# 查看 CUDA 版本print("PyTorch 绑定的 CUDA 版本：", torch.version.cuda)

正常输出示例（有 GPU）：

CUDA 是否可用： TrueGPU 型号： NVIDIA GeForce RTX 3060PyTorch 绑定的 CUDA 版本： 11.8

若输出 “CUDA 是否可用：False”：检查是否安装 GPU 版 PyTorch、显卡驱动是否正常、CUDA 版本是否匹配。

3. 功能验证：运行简单深度学习代码

用 TorchVision 加载数据集并执行简单计算，验证功能是否正常：

# 从 TorchVision 加载 MNIST 数据集（手写数字数据集）from torchvision.datasets import MNISTfrom torchvision.transforms import ToTensor# 加载测试集（首次运行会自动下载，约 10MB）dataset = MNIST(root="data", train=False, download=True, transform=ToTensor())# 取第一张图片img, label = dataset[0]# 打印图片形状和标签（验证数据加载正常）print("图片形状（通道数, 高度, 宽度）：", img.shape)  # 输出：torch.Size([1, 28, 28])print("图片标签：", label)  # 输出：7（随机，正常即可）# 用 PyTorch 计算图片均值（验证 GPU 加速）if torch.cuda.is_available():img = img.cuda()  # 转移到 GPUmean = torch.mean(img)print("图片均值：", mean.item())  # 输出：0.1307（正常范围）

若代码无报错且输出正常，说明环境完全可用。

1. 问：安装时提示 “版本冲突（VersionConflict）” 怎么办？

答：原因是已安装的包与目标版本冲突，解决方案：

• 用 conda 安装：删除现有环境，重新创建虚拟环境（conda remove -n env_name --all -y）；

• 用 pip 安装：执行 pip uninstall torch torchvision -y 卸载旧版本，再重新安装。

2. 问：macOS M1 芯片安装后，torch.cuda.is_available() 输出 False？

答：Apple 芯片不支持 NVIDIA CUDA，需用 MPS 框架实现加速，验证代码改为：

      
      
      

       
       
       

        
        
        

       
       
       
       
       
       
print("MPS 是否可用：", torch.backends.mps.is_available())  # 输出 True 即正常
      
      
      

3. 问：Linux 系统安装 GPU 版后，提示 “libcudart.so.11.0: cannot open shared object file”？

答：CUDA 库路径未配置，执行以下命令添加路径（临时生效）：

      
      
      

       
       
       

        
        
        

       
       
       
       
       
       
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH
      
      
      

永久生效：将上述命令添加到 ~/.bashrc（或 .zshrc），执行 source ~/.bashrc。

4. 问：安装 TorchVision 时提示 “找不到匹配的版本”？

答：严格按 “PyTorch 版本 → TorchVision 版本” 匹配，例如：

• PyTorch 2.4 → TorchVision 0.19；

• PyTorch 2.0 → TorchVision 0.15；

若仍找不到，用官方 whl 链接安装：访问 PyTorch 官方下载页，搜索对应版本的 torchvision whl 文件，用 pip install 文件名 安装。

为方便快速回顾，整理核心步骤：

• conda：创建虚拟环境 → 激活 → 执行官方安装命令；

• pip：升级 pip → 安装 PyTorch → 安装匹配 TorchVision；

按此流程操作，可避免 90% 以上的版本兼容问题，快速搭建稳定的 PyTorch 深度学习环境。