解决方案：2024年Pytorch（GPU版本）+ torchvision手动安装教程[万能安装方法] win64、linux、macos、arm、aarch64均适用
目录
- 一、Pytorch手动安装
- 1.1、前提准备
- 1.2、创建虚拟环境
- 1.3、搜索Pytorch包
- 1.4、选择下载符合配置的Pytorch包
- 1.4、安装离线包
- 二、 torchvision手动安装
- 2.1、查找对应的版本
- 2.2、安装torchvision
对于深度学习新手和入门不久的同学来说，在安装PyTorch和torchvision 时经常会遇到各种各样的问题。这些问题可能包括但不限于：
- PyTorch与CUDA对不上：当前PyTorch版本要求的CUDA版本与系统中已安装的CUDA版本不匹配时。
- PyTorch和Python版本对不上：所选择的PyTorch版本与系统中已安装的Python版本不兼容。
- 安装的PyTorch无法适用操作系统： 当前PyTorch版本不支持系统中已安装的操作系统，比如操作系统为aarch64。
- 安装的PyTorch总是CPU版本： 安装的PyTorch始终是CPU版本而非GPU版本，无法调用CUDA。
- 安装PyTorch一直卡顿： 因为网络问题或者镜像问题导致下载速度慢，卡顿崩溃。
本文介绍一种手动离线安装Pytorch方法，不用再更改镜像，不用挂代理，适用于解决各种安装中的各种疑难杂症。
一、Pytorch手动安装
1.1、前提准备
要安装Pytorch首先你需要安装好对应你GPU型号的CUDA、CUDNN、Anaconda或Miniconda。
以上这些在网络上有很多现成的教程，这里不再赘述。
1.2、创建虚拟环境
在安装Pytorch之前，必须创建一个自己的虚拟环境，其可以帮助你管理项目的依赖项，避免与其他项目的依赖冲突，并提供一个干净的环境用于安装和运行PyTorch，这里选择新建一个python3.8的虚拟环境：
conda create --name py38 python=3.8 然后等待虚拟环境初始化安装完毕。
1.3、搜索Pytorch包
进入Anaconda官方网站：https://anaconda.org/
在Search Packages栏输入pytorch搜索离线安装包，然后选择一个Favorites多的或者下载量多，这里推荐打开第一个pytorch官方源或者conda-forge源的，注意，如果操作系统内核为aarch64需要寻找后面Platforms带aarch64的：
打开后可以看到该包的详细信息，包括License、主页、下载量、最近更新，这里可以不用管，直接点击上方的Labels
进入文件的选择页面。
1.4、选择下载符合配置的Pytorch包
进入之后，会有很多包供选择，眼花缭乱，也包括了最新更新的2.x版本，这里可以选择版本号进行筛选，我们选择比较稳定的1.11.0版本：
然后根据我们本机的配置来选择相应的包，举个例子比如本机的配置为：
- 操作系统：常规Linux的64位系统
- Python版本：3.8
- CUDA版本：11.3
- CUDNN版本：8.2.0
那么就可以选择对应的版本=====》下载linux-64/pytorch-1.11.0-py3.7_cuda11.3_cudnn8.2.0_0.tar.bz2 这个.bz2包。
再举个例子，比如机器配置是： - 操作系统：Win-64
- Python版本：3.8
- CUDA版本：11.6
需要下载Pytorch1.13.0的，选择 win-64/pytorch-1.13.0-py3.8_cuda11.6_cudnn8_0.tar.bz2
注意事项1：不要下载名称中带cpu的包，其无法调用你的CUDA或者GPU
注意事项2：下载后缀为.tar.bz2的安装包最佳，.conda的包实测不太好用
1.4、安装离线包
下载好之后，将该.tar.bz2的安装包丢到conda的pkgs目录中，Anaconda3/pkgs/目录下，如果是Miniconda就丢到miniconda3/pkgs/下，如图所示：
然后cd到这个目录，输入相对应的指令进行安装：
conda install --use-local xxxx.tar.bz2(xxxx.tar.bz2是包的绝对路径) 如：conda install --use-local linux-64/pytorch-1.11.0-py3.7_cuda11.3_cudnn8.2.0_0.tar.bz2，等待片刻后，即可安装成功。
测试Pytorch是否安装成功和是否能够调用GPU，可以运行Python脚本：
import torch if torch.cuda.is_available(): print("GPU is available") // 查看GPU设备是否可用 else: print("GPU is not available") print(torch.cuda.get_device_name(0)) // 查看GPU设备信息 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") x = torch.tensor([1, 2, 3]) x = x.to(device) // 在GPU上运行Tensor 二、 torchvision手动安装
2.1、查找对应的版本
torchvision需要和pytorch的版本对应才能正常使用，在官方git库中提供了这样的对应关系：https://github.com/pytorch/vision，往Readme下面翻就可以看到
这里展示部分对应关系：
| torch | torchvision | Python |
|---|---|---|
| 2.2 | 0.17 | >=3.8, <=3.11 |
| 2.1 | 0.16 | >=3.8, <=3.11 |
| 2.0 | 0.15 | >=3.8, <=3.11 |
| 1.13 | 0.14 | >=3.7.2, <=3.10 |
| 1.12 | 0.13 | >=3.7, <=3.10 |
| 1.11 | 0.12 | >=3.7, <=3.10 |
| 1.10 | 0.11 | >=3.6, <=3.9 |
| 1.9 | 0.10 | >=3.6, <=3.9 |
| 1.8 | 0.9 | >=3.6, <=3.9 |
| 1.7 | 0.8 | >=3.6, <=3.9 |
| 1.6 | 0.7 | >=3.6, <=3.8 |
| 1.5 | 0.6 | >=3.5, <=3.8 |
| 1.4 | 0.5 | ==2.7, >=3.5, <=3.8 |
| 1.3 | 0.4.2 / 0.4.3 | ==2.7, >=3.5, <=3.7 |
| 1.2 | 0.4.1 | ==2.7, >=3.5, <=3.7 |
| 1.1 | 0.3 | ==2.7, >=3.5, <=3.7 |
| <=1.0 | 0.2 | ==2.7, >=3.5, <=3.7 |
2.2、安装torchvision
找到对应版本后，以同样的方式搜索torchvision包，找到需要的.tar.bz2包进行下载
最后以同样的方式进行安装就ok啦，测试torchvision是否安装成功：
import torchvision # 检查版本 print("torchvision 版本:", torchvision.__version__)