每次有人问我"深度学习怎么入门"，我给出的第一步几乎永远是：先把 PyTorch 装好。可偏偏就是这么一步，几乎每周都能在群里看到有人卡住——PowerShell 里弹出conda : 无法将“conda”项识别为 cmdlet、torch.cuda.is_available()返回False、新显卡装上旧版 PyTorch 直接报CUDA error: no kernel image is available for execution on the device。这些坑其实根源大多相同：对 PyTorch 安装背后的版本匹配逻辑没理清楚。

这篇文章就围绕 PyTorch 安装与验证这个主题，把"装好一个真正能用的 PyTorch 环境"这件事从头到尾拆开讲。内容覆盖环境工具选型（conda 与 pip）、CPU/GPU 版本矩阵、Windows/Linux/WSL/新显卡等常见场景的实操命令、三层验证体系、以及高频报错的排查链路。适合刚入手深度学习的同学，也适合那些在旧机器、新显卡或服务器上装过几次但始终没搞明白"为什么要这么选版本"的工程师。

1. 安装失败的九成原因：版本匹配，而不是“你不会装”

1.1 安装PyTorch的本质：搬运官方whl包

很多人把装 PyTorch 想复杂了，觉得它是"安装在电脑上的一个软件"。更准确的认知是：pip install torch本质上是把 PyTorch 官方编译好的 wheel 包（whl 文件）下载到你的 site-packages 目录，而 wheel 包里已经包含了 PyTorch 的核心库、Python 绑定，以及 GPU 版对应的一堆 CUDA 运行时动态库。

你不需要像某些传统软件那样"安装"它，不需要下载源码自己编译（那是最折腾的一条路，除非做算子开发，否则完全没有必要）。也因为这个特性，PyTorch 的"安装"其实只有两件事：

• 第一，选对 wheel 包——是 CPU 版还是 GPU 版？匹配哪个 CUDA 版本？
• 第二，让 Python 环境能找到它——也就是虚拟环境和依赖干净。

所以你会发现，真正让新手崩溃的报错大多不是 PyTorch 本身出了问题，而是"装错包"或"环境不匹配"。看到Cannot find a version of torch that satisfies the requirement时，大概率是 Python 版本太老或者太新，而不是网络问题。

1.2 Python、驱动、CUDA toolkit、cuDNN到底谁听谁的

先说一个能让后续所有排查瞬间清晰的分层关系：

• 显卡驱动：操作系统和显卡硬件之间的翻译官。nvidia-smi命令能跑，说明驱动这一层基本正常。
• CUDA toolkit：提供 CUDA 运行时库和编译工具。PyTorch 官方 GPU 版 wheel 里自带一份 CUDA 运行时，所以你其实不需要单独安装完整 CUDA toolkit（除非你要自己编译扩展算子）。
• cuDNN：深度卷积等算子的加速库。PyTorch 的 CUDA 版本同样会捆绑对应的 cuDNN。
• PyTorch：最上层，直接调 CUDA runtime 和 cuDNN。

有意思的地方在于：决定你能不能跑 PyTorch GPU 版的，主要是显卡驱动版本，而不是你有没有装 CUDA toolkit。因为 PyTorch wheel 自带 runtime，只要你的驱动版本 >= 该 CUDA 版本要求的驱动版本，就能跑。

举个例子，PyTorch 官方 cu124 版本（即 CUDA 12.4）大致需要 NVIDIA 驱动 550 及以上；cu128 版本（CUDA 12.8）大致需要 570 及以上的驱动。这个对应关系在 NVIDIA 官网有明确表格。在终端跑nvidia-smi，右上角显示的CUDA Version表示的是当前驱动最高支持的 CUDA 版本，不是已经装了 CUDA。看到显示 12.4 不代表机器上有 CUDA 12.4，只代表驱动能支持到这一级。

用生活化的比喻：显卡驱动像插座标准，CUDA runtime 像充电器，PyTorch 像手机。只要充电器符合插座标准，手机就能充电；插座标准太老（驱动太旧），再新的充电器也插不进去。

1.3 CPU版还是GPU版：别一上来就选最难的那条路

在很多新手群里的对话是这样的：

小白：我要学深度学习，帮我配环境。
老手：你有 NVIDIA 显卡吗？
小白：有！我找不到，帮我装最新版。
老手：先跑nvidia-smi看看。
小白：报错说什么找不到命令。

这其实是很多"一上来就装 GPU 版"的翻车现场。我必须很诚实地讲一句：如果手头机器没有 NVIDIA 独显，或者只是 2G 显存的老卡，装 CPU 版起步完全够用。你做 MNIST、CIFAR-10、跑线性回归，CPU 版就是慢一点，但完全能跟完整个学习流程。等到后面真正要训练大模型，再升级 GPU 也不迟。

CPU 版和 GPU 版的本质区别，我用一个表格说明：

我的建议是：哪怕你有 GPU，也先在虚拟环境里装好 CPU 版把流程跑通一遍，再切换到 GPU 版。这种"先易后难"的顺序能帮你区分"环境问题"和"代码问题"——以后写模型报错了，起码知道责任不在安装环节。

2. 装之前先把环境理清楚：conda、pip 与虚拟环境的真实分工

2.1 为什么我坚持先装Miniconda而不是Anaconda

很多教程会推荐装 Anaconda，因为你网上搜到的老教程大多是 Anaconda 时代的产物。但我个人的实操感受是：Miniconda 就够了，Anaconda 没必要。原因很简单：

• Anaconda 自带几百个 Python 包，体积几个 GB，绝大多数你根本用不上。
• Miniconda 只有 conda 本身和 Python 基础环境，体积不到 100MB，后面要什么包自己装。
• conda 的核心价值是环境管理和跨平台一致性，这个价值在 Miniconda 里和 Anaconda 里一模一样。

下载 Miniconda 就一条：去官网（conda.io 能找到下载入口）选对应系统的安装包。Windows 装的时候有一个关键点——不要勾选"Add to PATH"。这不是反直觉，而是因为 conda 官方推荐用conda init来接管 shell 配置。如果你选了 Add to PATH，后面和系统里其他 Python 冲突的概率会高不少。

装完 Miniconda，打开终端（Windows 用户最好是 PowerShell 或 CMD，别用老旧的 cmd 快捷键），先跑：

conda --version

如果能显示conda 24.x.x，说明 conda 本体装好了。这里顺便提一句热词里出现的ps d:\project_pytorch> conda activate pytorch conda : 无法将“conda”项识别——这个报错的完整排查放在后面第 5 节，但先说结论：九成是 PATH 没配好。

2.2 虚拟环境不是可选项，是必需品

你可能会想：我电脑上就装一个 Python，用 pip 直接装 PyTorch 不就行了？为什么要虚拟环境？

因为深度学习项目的依赖冲突是常态。举个例子：项目 A 要用 PyTorch 2.4，项目 B 还在跑老代码需要 PyTorch 1.13；项目 C 要用 TensorFlow 2.10，而 TensorFlow 和 PyTorch 对 CUDA/cuDNN 的依赖又不完全一样。如果不隔离环境，最后就是"装 A 把 B 搞崩，装 B 把 A 搞崩"。

用 conda 创建虚拟环境的命令：

conda create -n pytorch python=3.11 -y conda activate pytorch

-n pytorch是环境名称，名字可以自己起。激活之后，终端前面会出现(pytorch)前缀，表示当前所有 pip/conda 操作都发生在这个环境里。这里我建议一眼就记住一个原则：把所有 Python 包都装进环境，不要碰 base 环境。base 环境就当一个干净的启动器，长期不动它。

Python 版本的选择，我也给一个实战结论：PyTorch 2.x 系列要求 Python 3.9 以上，官方对 3.10、3.11 的支持最成熟。新建环境，直接python=3.11几乎不会踩坑。老项目可能要求 3.8，那也依然在官方支持范围内，就是别用最新的 3.13+ 去装 PyTorch（除非你确定要用的版本已经适配）。

2.3 conda 和 pip 混用时最隐蔽的坑：环境可复现性

很多人会用conda install pytorch来装 PyTorch，因为一些国内教程这么教。但我的建议是：PyTorch 官方现在主推的是 pip 方式，conda 通道的 PyTorch 更新往往比 PyPI 慢半拍，而且 conda 装 GPU 版时还得额外处理 cudatoolkit 的版本匹配，容易出"依赖地狱"。

正确分工是：

• 用 conda 管 Python 版本和环境。
• 用 pip 管 Python 包，尤其是 PyTorch 这种包。
• 绝对不要先 pip 装一遍 torch，又用 conda 装一遍 torch，两套管理机制会互相覆盖，最后版本混乱。

混用还有一个隐蔽的坑：当你执行pip freeze > requirements.txt想把环境导出给别人的时候，conda 装的包也会被带进去。更好的可复现方式是：

conda env export > environment.yml

这个文件记录着环境名、Python 版本、conda 通道、以及 pip 子安装的包。别人拿到后一行命令还原：

conda env create -f environment.yml

我在实际带新人时，要求他们配置环境的第一天就养成"每个项目一个环境、每个环境导出一份 yml"的习惯。刚开始觉得麻烦，等三个月后要复现自己跑过的实验时，你会感谢这个习惯。

3. 从零到一：四种最常见的安装场景实操

3.1 Windows + NVIDIA 独显：官网安装命令的正确打开方式

这是最常见的配置，也是大多数人真正需要的方案。操作流程：

第一步，打开终端跑nvidia-smi，看两样东西：显卡型号（比如 RTX 4060）和 Driver Version（比如 560.94）。驱动版本如果太旧，先到 NVIDIA 官网更新驱动。不建议从控制面板的设备管理器点"更新驱动"，那个经常会查到旧版本，直接去官网按型号搜索更靠谱。

第二步，打开 PyTorch 官网的 Get Started 页面（pytorch.org/get-started/locally/），选择：

• PyTorch Build：Stable
• Your OS：Windows
• Package：Pip
• Language：Python
• Compute Platform：CUDA 12.4 或更高

页面会自动生成一段命令，比如：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

--index-url的意思是从 PyTorch 的 CUDA 12.4 专用仓库下载 wheel，而不是默认的 PyPI 源。这是装 GPU 版的关键——很多人随便pip install torch，装出来的是 CPU 版，后面cuda.is_available()永远 False。

第三步，执行命令。下载量大（2GB 左右），耐心等就行。国内机器如果下载速度感人，优先尝试换 PyTorch 的国内镜像或下载源，细节放在第 5 节讲。

3.2 只有CPU的机器：轻量方案与性能认知

如果你的机器没有 NVIDIA 独显——包括很多轻薄本、核显本、公司办公机——直接走 CPU 方案：

pip install torch torchvision torchaudio

这个命令会从默认 PyPI 源拉取 CPU 版 wheel，不涉及 CUDA 相关的东西，干净利落。装完验证时只要import torch不报错，就能正常学深度学习。

关于 CPU 训练的性能，说一个心理建设：你用 CPU 训练 MNIST，一个 epoch 大概几十秒到两三分钟，完全能接受；CIFAR-10 的小型 CNN 也能跑，只是要注意用 GPU 的教程代码里如果写了.cuda()，你得改成.cpu()或者用device变量统一管理。建议从一开始就养成device = torch.device("cuda" if torch.cuda.is_available() else "cpu")的写法，这样同一套代码在 CPU 和 GPU 上都能跑，以后换机器不用改代码。

另外，热词里有"英特尔显卡怎么使用 gpu 版本的 pytorch"。实事求是地说，Intel 核显/独显跑 PyTorch 目前有官方支持方案——Intel Extension for PyTorch（IPEX），提供 xpu 后端，pip install intel-extension-for-pytorch后可以尝试。但实际情况是：生态成熟度、社区资料、第三方库兼容性都远不如 NVIDIA CUDA 路线。如果不是做专门研究，不建议在 Intel 显卡上折腾 GPU 训练，性价比太低，装 CPU 版把业务跑起来更务实。

3.3 Linux 服务器与 WSL：无图形界面环境的安装细节

Linux 服务器装 PyTorch 是很多深度学习研究生的日常。没有图形界面，操作全靠终端，流程基本一样：

conda create -n pytorch python=3.11 -y conda activate pytorch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

但 Linux 有一个 Windows 没有的坑：服务器管理员通常不会为了你"想用深度学习"去升级显卡驱动。所以装之前一定要先问清楚驱动的版本，或者自己nvidia-smi确认。驱动太老，装了 cu124 的包就会出现后面第 5 节的那个no kernel image报错。

再单独说热词里高频出现的 "WSL"。WSL2 里跑 PyTorch 有两个可行路径：

一是 WSL2 内部直接装 Linux 版 CUDA 驱动。整个过程的关键是：驱动要在 Windows 侧安装，但 NVIDIA 的 WSL 版驱动会同时让 Windows 和 WSL 内的 Linux 都能调用 GPU。WSL 里跑nvidia-smi能看到显卡，就跟 Linux 服务器上一样装 PyTorch 就行。

二是在 WSL 里面装完 PyTorch 后，代码和数据都放 Linux 文件系统里（也就是/home/...），不要放在/mnt/c/...下。放 /mnt/c 会导致文件 IO 走网络文件系统，训练时数据加载慢到你怀疑人生。我踩过这个坑，第一次在 WSL 里跑 CIFAR-10，数据读取比训练还慢几十倍，后来把数据挪到 WSL 内部就好多了。

3.4 新卡、Intel显卡与Mac芯片的特别说明

热词里出现了5060ti安装pytorch和安装pytorch cuda12.8。这指向一个 2024-2025 年很典型的场景：拿到 RTX 50 系新显卡（Blackwell 架构），装完驱动后跑老版本的 PyTorch，报no kernel image。

这个问题的本质是：PyTorch wheel 里编译的 CUDA 算子，和你的显卡架构能不能对上。老版本 PyTorch（比如 2.4、2.5）编译时主要针对 Ampere/Ada 等架构，Blackwell 是更新的架构（sm_120）。需要下载 PyTorch 官方在 2.6/2.7 之后发布的 cu128 版本（CUDA 12.8），因为 cu128 的 wheel 明确加入了对 Blackwell 架构的支持。

我建议 50 系显卡的用户，直接看官网选择的 Compute Platform 里的 CUDA 12.8 或更高版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

另外，Mac 用户用 M 系列芯片跑 PyTorch 的话，走的是苹果的 MPS 后端。判断方式：

import torch print(torch.backends.mps.is_available())

如果为 True，可以把device = torch.device("mps")，体验虽不如顶级 N 卡，但比纯 CPU 快不少。注意 Mac 上就没必要去折腾什么 CUDA 了，没有 NVIDIA 显卡就是没有，认准 MPS。

4. 验证安装不是在验证“导入成功”，而是在验证整条链路

4.1 第一层：版本号与CUDA信息

import torch不报错，只说明"包放对了位置"，这远远不够。完整的验证分四层，从浅到深。

进入虚拟环境，先跑：

python -c "import torch; print(torch.__version__); print(torch.version.cuda)"

会输出类似：

2.7.0+cu128 12.8

第一行2.7.0+cu128是关键的版本标识，+cu128后缀说明你装的是 CUDA 12.8 版 wheel。如果你看到是2.7.0+cpu，那就说明机器上装的是 CPU 版，后面不用测了，直接返工重装。torch.version.cuda显示的是 wheel 自带的 CUDA 版本号，这个值存在不代表显卡能用，只代表 runtime 在，还要继续往下测。

4.2 第二层：设备识别与张量计算

接着验证 CUDA 是否真的可用：

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

如果torch.cuda.is_available()输出True，且get_device_name(0)显示了显卡型号，才说明 PyTorch 和显卡驱动、CUDA runtime 之间的链路是通的。这一步是很多人最终期待的"绿灯"。

但我想强调：True只是"设备在"的证明，不代表"计算真的快"。继续做一个小实验：

python

import torch, time x = torch.randn(10000, 10000) start = time.time() y = torch.mm(x, x) print("CPU time:", time.time() - start) x = x.cuda() start = time.time() y = torch.mm(x, x) print("GPU time:", time.time() - start)

用个一万乘一万的矩阵乘法，对比一下 CPU 和 GPU 的耗时。第一次跑 GPU 计算时，PyTorch 会花一点时间做 CUDA 上下文初始化，所以如果两者差距不大，把 GPU 计算那行再多跑一遍，后面几次差距应该非常明显。这个实验同时验证了张量能在 CPU/GPU 间迁移、算子能正常执行。

4.3 第三层：让自动求导和优化器跑起来

前两层通过，只是"GPU 能算矩阵"。还不能说明 PyTorch 的自动求导、反向传播、优化器更新这些核心机制在你的环境里正常。这层验证我用一个 20 行不到的线性回归来覆盖，目标函数是y = 2x + 3。

import torch import torch.nn as nn device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model = nn.Linear(1, 1).to(device) optimizer = torch.optim.SGD(model.parameters(), lr=0.01) loss_fn = nn.MSELoss() x = torch.randn(1000, 1).to(device) y_true = 2 * x + 3 for epoch in range(200): optimizer.zero_grad() y_pred = model(x) loss = loss_fn(y_pred, y_true) loss.backward() optimizer.step() if epoch % 50 == 0: print(epoch, loss.item()) print(model.weight.item(), model.bias.item())

如果最后打印出的weight接近 2.0、bias接近 3.0，说明前向、损失计算、反向传播、优化器更新整条链路都没问题。这里用到的device写法也是日常项目里最常见的统一管理方式。

这一层验证了"代码层面深度学习流程"通了，比单纯看 GPU 跑矩阵更有说服力。

4.4 第四层：用GPU训练一个小模型并盯着显存

第三层已经证伪了大多数环境问题。最后一层我建议做一次"真实训练"验证：加载一个真实数据集，训练一个几十层不用的简单模型，并同时观察显存和 GPU 利用率。

为什么还要专门做这层？因为很多人的代码能跑，但根本没用到 GPU——数据、模型没.to(device)，程序看起来正常，实际在 CPU 上龟速训练。判断"GPU 真的在干活"有两个方法：

• 在另一个终端跑nvidia-smi，训练过程中能看到python进程、显存占用和 GPU-Util 百分比。
• 在代码里打印显存占用：

print(torch.cuda.memory_allocated() / 1024**3, "GB")

如果这两个值始终是 0 或很小，说明你的张量根本没有搬上 GPU。常见原因就一个：代码里某处漏了.cuda()或.to(device)，模型和数据至少有一个留在 CPU 上。

具体训练什么？我推荐第 6 节里讲的 CIFAR-10 小模型，因为它是深度学习入门最标准的"验收项目"之一。

5. 高频报错排查链路：从“conda 无法识别”到新显卡踩坑实录

5.1 conda 无法识别命令的完整排查

热词里有一条非常典型：ps d:\project_pytorch> conda activate pytorch conda : 无法将“conda”项识别。这个报错的完整解体逻辑应该是：

先确认是自己输入的还是教程复制错了。如果终端里conda都找不到，按顺序排查：

1. Miniconda 到底装没装？如果没装，一切免谈。去官网下安装包重走第一步。
2. 装的时候是不是勾选了 Add to PATH？如果没勾，conda命令确实不会直接出现在终端里。但不要慌，不需要重装。
3. 执行conda init初始化 shell。在 Miniconda 安装目录里找到condabin/conda.bat，用完整路径执行一次：

C:\Users\你的用户名\miniconda3\condabin\conda.bat init

4. 重启终端。这一步很多人漏掉。conda init会修改 PowerShell 或 CMD 的启动配置，但不重启终端不生效。重启后跑conda activate pytorch，如果环境名存在，命令提示符前会出现(pytorch)。

5. 如果还是不行，检查环境变量里是否真的没有 Miniconda 目录。Windows 上可以这样验证：打开"设置 → 系统 → 关于 → 高级系统设置 → 环境变量"，看 Path 里有没有...\miniconda3\Scripts和...\miniconda3。没有就手动加上这两个路径。

提示：Windows 装完 Miniconda 后，不要用系统自带的 cmd.exe 老窗口，建议新手直接用 PowerShell。如果你用 VS Code，改完环境变量后必须完全关闭 VS Code 再重新打开（注意是"完全关闭"，不是关一个窗口），否则环境变量不刷新。

5.2 CUDA error: no kernel image——新卡装旧包的经典症状

这个报错的完整文本一般是：

RuntimeError: CUDA error: no kernel image is available for execution on the device

或者有的版本显示CUDA error: no kernel image is available for execution on the GPU。

我已经第 3.4 节提过本质：显卡架构和 PyTorch 编译时针对的架构不匹配。但排查时还得注意另一个分支——驱动实在太老。有个朋友拿着 RTX 5090，显卡驱动停在 2024 年的老版本，nvidia-smi显示驱动只支持到 CUDA 12.2，那装 cu128 版本的 PyTorch 也一样跑不了，因为驱动层压根没有 Blackwell 的支持。

排查链路应该是：

1. 确认显卡架构：nvidia-smi看显卡型号，如果是 RTX 50 系，就是 Blackwell。
2. 确认驱动支持的最高 CUDA 版本：nvidia-smi右上角。
3. 确认 PyTorch 版本：torch.version.cuda，如果是 12.4 以下的旧版，换 cu128。
4. 如果 PyTorch 已经是 cu128 还报错，查驱动，更新到 NVIDIA 官网对应新卡的最新驱动。

记住一个判断逻辑：no kernel image 这个报错，问题不在代码，在"编译产物 vs 硬件"这一层的匹配。

5.3 torch.cuda.is_available() 莫名返回 False 的排查顺序

这个报错被问得最多，因为新手只看结论不看过程。我的排查顺序是固定的：

第一，先看torch.version.cuda是不是 0 或 None。如果不是，说明你装的是 CPU 版，问题非常简单：重装 GPU 版。很多人系统里原来装过 CPU 版，后来听说要装 GPU 版就直接pip install torch，这时 pip 发现已经装了就不管了，你还是 CPU 版。正确做法是先卸载干净：

pip uninstall torch torchvision torchaudio -y

再按官网命令装 GPU 版。

第二，跑nvidia-smi。如果这个命令都报"不是内部或外部命令"，说明 NVIDIA 驱动根本没装好，或者驱动不在 PATH 里。装 Windows 驱动后正常情况nvidia-smi必然能用。

第三，对比驱动支持版本和 wheel 要求的 CUDA 版本。比如驱动CUDA Version: 12.4，装的却是 cu128，可能不兼容。这不在乎 PyTorch 官网让你选 12.8 还是 12.4，永远以你机器上驱动支持的最高 CUDA 版本为上限，选一个不超过它的版本。

第四，检查是不是在 conda 环境里装了两个 CUDA 相关库。某些热心教程会叫人conda install cudatoolkit，如果你自己又用 pip 装了 PyTorch 的 CUDA 依赖，两者可能冲突。建议统一走 pip 路线，不要手动加 cudatoolkit。

第五，Windows 特有：缺 VC++ 运行库。如果出现 DLL 加载失败的报错，大概率是缺少 Microsoft Visual C++ Redistributable。直接去微软官网下载最新 x64 版本装上，这个问题就没了。

5.4 下载速度问题的镜像源方案

PyTorch 官网源在海外，国内下载有时很慢。这不属于报错，但能卡断很多新人的耐心。我的建议：

• 如果只是官方源慢，可以先试试多等一会儿，毕竟是个大文件。
• 想加速就用国内镜像。清华源和阿里源都有 PyTorch 的 wheel 镜像，比如阿里云镜像地址：

pip install torch torchvision torchaudio --index-url https://mirrors.aliyun.com/pytorch-wheels/cu124

• 如果你用 conda 通道装，清华的 conda 镜像也能加速，但我不推荐 conda 通道装 PyTorch，原因前面说过了。

注意：换镜像可能导致某些冷门版本的 wheel 缺失。优先用官网源，确认为速度所困再换。

6. 安装完别急着关电脑：从环境到第一个产出的最短路径

6.1 为什么我建议你用 CIFAR-10 做测试对象

环境装好之后，很多人会陷入"装完就不知道干嘛"的状态。我的建议是：用一个 CIFAR-10 小项目做收尾验证。

CIFAR-10 是深度学习领域教科书级别的公开数据集，10 类彩色小图（飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车），单张 32x32，轻量、不会占太多磁盘空间。torchvision 自带下载和加载接口：

import torch import torch.nn as nn import torch.optim as optim import torchvision import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True, num_workers=2) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") class SimpleCNN(nn.Module): def __init__(self): super().__init__() self.conv = nn.Sequential( nn.Conv2d(3, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2, 2), nn.Conv2d(32, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2, 2), ) self.fc = nn.Sequential( nn.Flatten(), nn.Linear(64 * 8 * 8, 128), nn.ReLU(), nn.Linear(128, 10) ) def forward(self, x): return self.fc(self.conv(x)) model = SimpleCNN().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(5): running_loss = 0.0 for images, labels in trainloader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f"Epoch {epoch+1}, loss: {running_loss / len(trainloader):.4f}")

在 GPU 上，这个 5 epoch 的训练几分钟就能跑完，loss 会稳定下降。如果跑起来又慢、loss 又几乎不变，多半还是设备没选对。这个项目把 torchvision 数据接口、DataLoader、卷积网络、训练循环、自动求导全都打了一遍，环境到底行不行，一目了然。

6.2 训练完顺手导出ONNX：打通部署链路

热词里出现pytorch转onnx，这其实是环境验证一个非常实用的延伸操作。ONNX 是一种开放的模型交换格式，把 PyTorch 模型导成 ONNX 之后，可以用 ONNX Runtime 在各类平台（包括 CPU、移动端、服务端）上做推理，不需要装 PyTorch。

在刚才训练完的模型后面接着写：

dummy_input = torch.randn(1, 3, 32, 32).to(device) torch.onnx.export( model.cpu(), dummy_input.cpu(), "simple_cnn.onnx", input_names=["input"], output_names=["output"], opset_version=17 ) print("export done")

注意导出前我把模型和输入都.cpu()了，因为导出到 ONNX 通常不需要 GPU，而且很多推理环境根本没有 CUDA。跑完这段，目录下会多出一个simple_cnn.onnx文件，可以用onnxruntime简单验证一下：

pip install onnxruntime

import onnxruntime as ort import numpy as np sess = ort.InferenceSession("simple_cnn.onnx") out = sess.run(None, {"input": np.random.randn(1, 3, 32, 32).astype("float32")}) print(np.argmax(out[0]))

能顺利打印出一个分类结果索引，说明 PyTorch 前向计算图、权重序列化、推理引擎跨框架调用这一整套链路都是好的。到这一步，你的 PyTorch 环境不只是"能用"，而是"能训练、能部署"，这才算合格。

6.3 关于TensorFlow与PyTorch选型的个人看法

既然热词里高频出现pytorch和tensorflow的区别、tensorflow与pytorch的流行趋势 2024，这里用通俗的话说点个人体感。

早期 TensorFlow 1.x 时代，图计算范式复杂、调试困难，不少新手被劝退。后来 PyTorch 的"动态图 + 命令式调试"体验让它成为学术研究和论文复现的默认选择——你在论文里看到的开源代码，大概率是 PyTorch。TensorFlow 2.x 虽然做了很多改进，但社区活跃度、第三方集成的速度、中文学习资料的丰富程度，这几年明显落后于 PyTorch。如果只是初学，我建议 PyTorch。如果你的目标是部署到移动端或者生产环境，再研究 TensorFlow Lite 或 ONNX Runtime 等方案也不迟。

现实中更多人是"两个都要会一点"。我的建议是：主学 PyTorch，把环境装明白、把训练到导出的链路跑通；等真要接触对方代码时，再花半天了解 TensorFlow 的基本写法，而不是一开始就纠结谁更好。

最后再分享一个实操小技巧：环境装好、CIFAR-10 也跑通之后，马上执行一次conda env export > environment.yml，把这份配置存好。未来换机器、做环境还原，十分钟就能回到今天的状态。另外，Windows 上建议把官网那条安装命令存成 txt 或者写进自己的笔记，以后每次装环境直接翻笔记，比每次重新去官网点选项省事得多。踩过几次坑之后你会发现，PyTorch 安装真不是什么高深的技术活，核心就是把"版本匹配"这四个字想明白。