Установка PyTorch: пошаговое руководство

Что такое PyTorch

PyTorch — это библиотека для машинного обучения и глубокого обучения. Она удобна для исследований и промышленного применения благодаря динамическому вычислительному графу.

Краткое определение: PyTorch = Python + тензоры + автоградиент.

Коротко: системные требования

• Windows 7 или новее, Windows Server 2008 R2 или новее.
• Рекомендуется использовать Anaconda (менеджер пакетов и виртуальных окружений), особенно для начинающих.
• Для ускорения вычислений на GPU нужен NVIDIA GPU с подходящими драйверами и совместимой версией CUDA. Если вы не используете GPU, достаточно CPU-версии.

Быстрая методика установки (обзор)

1. Установите Anaconda (рекомендуется) или используйте pip в виртуальном окружении.
2. Выберите конфигурацию: CPU-only или с поддержкой CUDA (если есть NVIDIA GPU).
3. Запустите рекомендованную команду установки (conda или pip).
4. Проверьте установку командой в Python: import torch; torch.cuda.is_available().

Как установить PyTorch

1. Скачать и установить Anaconda

1. Перейдите на официальный сайт Anaconda и выберите установщик для Windows.
2. Скачайте установщик и нажмите «Запустить» (Run).
3. Примите настройки по умолчанию и следуйте подсказкам установщика.

Примечание: Anaconda упрощает управление окружениями и зависимостями.

2. Установить PyTorch

1. Перейдите на официальную страницу установки PyTorch (pytorch.org) и выберите вашу ОС, пакетный менеджер (conda или pip), язык (Python) и желаемую версию CUDA.
2. Если у вас нет GPU или вы хотите CPU-only установку, выберите вариант без CUDA.
3. Скопируйте и выполните предложенную команду.

Примеры (примерные команды; всегда сверяйтесь с официальной страницей для актуальных версий):

• Conda, CPU-only:

conda install pytorch torchvision torchaudio cpuonly -c pytorch

• Conda, с CUDA (пример команды):

conda install pytorch torchvision torchaudio cudatoolkit -c pytorch

• Pip (виртуальное окружение):

pip install torch torchvision torchaudio

Important: Для установки с поддержкой GPU не нужно вручную ставить CUDA Toolkit в большинстве случаев — conda может установить нужный cudatoolkit в окружении. Но драйвер NVIDIA должен быть установлен в системе.

3. Проверка установки

Откройте командную строку или терминал и запустите Python:

python

Внутри интерпретатора выполните:

import torch
print(torch.__version__)
print('CUDA available:', torch.cuda.is_available())

Ожидаемое: импорт проходит без ошибок; torch.version показывает установленную версию; torch.cuda.is_available() возвращает True, если GPU и драйверы корректны.

Критерии приёмки

• Импорт torch не вызывает исключений.
• Интерпретатор возвращает версию PyTorch.
• Если вы настраивали GPU, torch.cuda.is_available() должно быть True.

Альтернативные подходы и когда выбирать их

• Conda (рекомендуется новичкам и при работе с GPU): удобство установки бинарных пакетов и cudatoolkit.
• Pip (удобно в чистых виртуальных окружениях venv): полезно на серверах без Anaconda.
• Docker-контейнеры: серьёзный вариант для продакшн-окружений и воспроизводимости.

Когда pip лучше: когда вы управляете окружениями через venv или Docker и хотите минимальный набор пакетов.

Когда conda лучше: на локальной машине с GPU, когда важна простая установка бинарных зависимостей.

Совместимость: CUDA, драйверы и версии

Important: Совместимость между драйвером NVIDIA, версией CUDA и собранными бинарными пакетами PyTorch — частая причина ошибок. Всегда сверяйтесь с официальной таблицей совместимости на сайте PyTorch.

Советы:

• Наличие NVIDIA-драйвера в системе обязательно для использования GPU.
• Conda часто поставляет cudatoolkit в окружении, но драйвер остаётся системным.
• Если torch.cuda.is_available() возвращает False, проверьте версию драйвера и совместимость с выбранным cudatoolkit.

Отладка и частые ошибки

1. “DLL load failed” или ошибки при импорте — чаще всего конфликт версий или плохая установка CUDA/dll. Решение: использовать conda окружение и ставить пакеты из канала pytorch.
2. torch.cuda.is_available() == False при наличии GPU — проверьте драйвер NVIDIA и версию CUDA; перезапустите систему.
3. Конфликты пакетов в глобальном Python — используйте виртуальные окружения (conda env или venv).
4. Network/Proxy ошибки при скачивании — проверьте настройки прокси или скачайте пакет вручную.

Пошаговый runbook при ошибке установки:

1. Создайте чистое conda-окружение: conda create -n pt_env python=3.10
2. Активируйте: conda activate pt_env
3. Выполните рекомендованную команду с официального сайта PyTorch.
4. Если ошибка, скопируйте точный текст ошибки и найдите решение на GitHub Issues или Stack Overflow.

Роликозависимые чек-листы (кто что должен сделать)

• Разработчик:

  • Создать виртуальное окружение.
  • Установить PyTorch и тестовый пакет torchvision.
  • Запустить unit-тесты машинного обучения.

• Data Scientist:

  • Проверить доступ к GPU в ноутбуке/станции.
  • Запустить тренировочный скрипт на небольшом датасете.

• Системный администратор:

  • Установить/обновить драйверы NVIDIA.
  • Обеспечить совместимость CUDA с системным ПО.

Краткое руководство по тестам (acceptance)

Тесты приёмки:

• Выполнение import torch без ошибок.
• print(torch.version) возвращает строку версии.
• torch.cuda.is_available() соответствует реальному наличию GPU.
• Пример запуска минимальной тренировки: обучение одной эпохи на случайных данных проходит без ошибок.

Короткий словарь терминов

• CUDA: платформа NVIDIA для параллельных вычислений на GPU.
• cudatoolkit: бинарные библиотеки CUDA, которые могут быть установлены в окружении.
• conda: менеджер пакетов и окружений от Anaconda.

Итого: установка PyTorch обычно проходит быстро при использовании conda и соблюдении совместимости драйверов/CUDA. Если возникают ошибки, начните с чистого окружения и проверьте тексты ошибок — в большинстве случаев проблема решается подбором совместимых версий или установкой системных драйверов.

[wl_navigator]