Windows 下安装 PyTorch：从零到精通的完整指南

一、PyTorch 是什么？为什么选择它？

PyTorch 是当前最热门的深度学习框架之一，由 Facebook 的人工智能研究团队开发并开源。相比其他框架，PyTorch 最大的优势在于它的动态计算图和直观的编程方式，让研究人员和开发者能够更自然地构建和调试神经网络模型。

如果你正在学习人工智能、机器学习，或者需要进行图像识别、自然语言处理等项目，PyTorch 绝对是你的首选工具。它在学术研究中占据主导地位，同时在工业界也获得了广泛应用。

二、安装前的准备工作

2.1 检查你的系统配置

在开始安装之前，先确认你的电脑是否符合基本要求：

操作系统：Windows 10 或 Windows 11（64位）
内存：至少 8GB，推荐 16GB 以上
硬盘空间：至少 10GB 可用空间
Python 版本：3.7 到 3.10 之间的版本

2.2 安装 Python（如果还没有）

如果你电脑上还没有 Python，按以下步骤安装：

打开浏览器，访问 Python 官方网站
下载 Windows 安装程序（选择 64 位版本）
运行安装程序时，一定要勾选“Add Python to PATH” 这个选项
点击“Install Now”完成安装

安装完成后，验证是否安装成功：

按 Win + R 键，输入 cmd 打开命令提示符
输入 python --version 并按回车
如果显示 Python 版本号（如 Python 3.9.13），说明安装成功

三、三种安装方法详解

3.1 方法一：使用官方推荐的最简方式（适合新手）

这是最简单、最不容易出错的方法：

打开 PyTorch 官网，在首页找到“Get Started”部分
选择你的配置：
- PyTorch Build：选择 Stable（稳定版）
- Your OS：选择 Windows
- Package：选择 Pip（Python 的包管理器）
- Language：选择 Python
- Compute Platform：根据你的显卡选择
关于 Compute Platform 的选择：
- 如果你有 NVIDIA 显卡，并且想用 GPU 加速：选择 CUDA 11.7 或 CUDA 11.8
- 如果你没有 NVIDIA 显卡，或者不确定：选择 CPU
- 如果你有 AMD 显卡：目前只能选择 CPU（后续有特殊方法）

复制安装命令，比如你会看到类似这样的命令：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

打开命令提示符（以管理员身份运行）：
- 在开始菜单搜索“cmd”
- 右键点击“命令提示符”，选择“以管理员身份运行”
粘贴并运行命令，等待安装完成

3.2 方法二：使用 Anaconda 环境（推荐给深度学习学习者）

Anaconda 是一个 Python 发行版，自带很多科学计算包，还能创建独立的环境，避免包冲突。

安装 Anaconda：

下载 Anaconda 安装程序（选择 Python 3.9 版本）
安装时选择“Just Me”，并勾选“Add Anaconda to PATH”
安装完成后，打开“Anaconda Prompt”

创建并激活环境：

# 创建一个名为 pytorch_env 的新环境
conda create -n pytorch_env python=3.9

# 激活这个环境
conda activate pytorch_env

安装 PyTorch： 在激活的环境中，使用从官网复制的 conda 命令，比如：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

3.3 方法三：离线安装（适合网络环境差的情况）

如果网络连接不稳定，可以下载离线包安装：

在 PyTorch 官网上找到对应版本的 .whl 文件下载链接
下载以下文件（以 CUDA 11.8 为例）：
- torch
- torchvision
- torchaudio

在命令提示符中进入下载目录，依次安装：

pip install torch-*.whl
pip install torchvision-*.whl
pip install torchaudio-*.whl

四、验证安装是否成功

安装完成后，一定要验证是否安装正确：

打开 Python 交互环境：
```
python
```

依次输入以下代码：

import torch
print(torch.__version__)  # 查看 PyTorch 版本

# 测试 CUDA 是否可用（如果有 GPU）
print(torch.cuda.is_available())  # 返回 True 表示 GPU 可用

# 创建一个简单的张量测试
x = torch.tensor([1.0, 2.0, 3.0])
print(x)

如果所有命令都能正常执行，恭喜你！PyTorch 安装成功了。

五、常见问题与解决方案

5.1 安装速度慢或超时

问题原因：默认的 pip 源在国外，下载速度慢

解决方案：更换为国内镜像源

# 临时使用清华源
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 或者永久更换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

5.2 提示“找不到满足要求的版本”

问题原因：Python 版本不兼容

解决方案：

检查 Python 版本：python --version
PyTorch 要求 Python 3.7-3.10，如果版本不对，重新安装合适版本的 Python
或者使用 Anaconda 创建指定版本的环境

5.3 CUDA 相关错误

问题表现：torch.cuda.is_available() 返回 False

检查步骤：

确认显卡是 NVIDIA 显卡
安装对应版本的 CUDA Toolkit
安装对应版本的 cuDNN
重启电脑

详细操作：

查看显卡支持的 CUDA 版本：
- 右键桌面 → NVIDIA 控制面板 → 帮助 → 系统信息 → 组件
- 查看“NVCUDA.DLL”对应的产品名称
根据 PyTorch 官网推荐的 CUDA 版本进行安装

5.4 权限不足错误

问题表现：提示“Permission denied”或“拒绝访问”

解决方案：

以管理员身份运行命令提示符

或者使用虚拟环境：

# 安装虚拟环境工具
pip install virtualenv

# 创建虚拟环境
virtualenv pytorch_env

# 激活虚拟环境
pytorch_env\Scripts\activate

# 在虚拟环境中安装 PyTorch

六、安装后的优化设置

6.1 配置 IDE（推荐 VS Code）

安装 VS Code
安装 Python 扩展
安装 Pylance 扩展（提供更好的代码补全）
创建新文件，输入测试代码，按 F5 运行

6.2 设置 Jupyter Notebook（适合学习和实验）

# 安装 Jupyter
pip install jupyter notebook

# 启动 Jupyter
jupyter notebook

6.3 性能优化建议

数据加载优化：使用 DataLoader 的 num_workers 参数
混合精度训练：使用 torch.cuda.amp 减少显存占用
梯度累积：小批次累积梯度，模拟大批次效果

七、第一个 PyTorch 程序

让我们写一个简单的程序验证安装：

import torch
import torch.nn as nn
import torch.optim as optim

# 检查设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")

# 创建一个简单的神经网络
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.fc = nn.Linear(10, 1)  # 10维输入，1维输出

    def forward(self, x):
        return self.fc(x)

# 实例化模型
model = SimpleNet().to(device)

# 创建一些假数据
inputs = torch.randn(32, 10).to(device)  # 32个样本，每个10维
labels = torch.randn(32, 1).to(device)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练一步
optimizer.zero_grad()  # 清空梯度
outputs = model(inputs)  # 前向传播
loss = criterion(outputs, labels)  # 计算损失
loss.backward()  # 反向传播
optimizer.step()  # 更新参数

print(f"损失值: {loss.item():.4f}")
print("第一个 PyTorch 程序运行成功！")