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

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__)