【OS安装与使用】part5-ubuntu22.04基于conda安装pytorch+tensorflow

文章目录 一、待解决问题1.1 问题描述1.2 解决方法 二、方法详述2.1 必要说明2.2 应用步骤2.2.1 明确pytorch安装依赖2.2.2 conda创建虚拟环境2.2.3 安装pytorch2.2.4 验证pytorch安装2.2.5 安装Tensorflow2.2.6 验证Tensorflow安装 三、疑问四、总结

---

一、待解决问题 1.1 问题描述

为了最终运行MARL算法代码，在安装好anaconda环境后，进行pytorch框架的安装。

1.2 解决方法

操作系统：ubuntu 22.04 LTS 显卡型号：Geforce RTX 4060 Mobile 显卡驱动：nvidia-550.120 CUDA版本：CUDA 12.4 预装软件：Anaconda

（1）明确pytorch安装依赖。 （2）conda创建虚拟环境。 （3）安装pytorch。 （4）验证pytorch安装。 （5）安装tensorflow。 （6）验证tensorflow安装。

二、方法详述 2.1 必要说明

❓ GPU、Nvidia显卡驱动、CUDA Toolkit、pytorch框架是什么关系呢？ 简单来说就是图示中的关系，层层调用。

硬件设备：GPU 是一种专门用于进行图形计算和并行计算的硬件设备硬件驱动：Nvidia 显卡驱动是运行在操作系统上的软件，用于让操作系统和应用程序能够与 Nvidia GPU 进行通信和交互。它提供了对 GPU 硬件的底层控制和管理，确保 GPU 能够正常工作，并将来自应用程序的指令正确地传递给 GPU。GPU应用工具包：CUDA Toolkit 是用于开发基于 CUDA 应用程序的工具包，它包含了编译器、库、运行时环境等组件，使开发者能够利用 GPU 的强大计算能力进行通用计算。它依赖于 Nvidia 显卡驱动来与 GPU 进行交互。深度学习框架：PyTorch 是一个流行的开源深度学习框架。它支持使用 GPU 来加速计算，当 PyTorch 运行在安装了 CUDA Toolkit 和 Nvidia 显卡驱动的环境中时，它可以通过 CUDA Toolkit 调用 GPU 的计算资源，从而实现对深度学习模型的快速训练和推理。

2.2 应用步骤 2.2.1 明确pytorch安装依赖

目标导向，首先查看pytorch官网，了解官网安装依赖。 链接：pytorch Get Start

总结如下：

python版本要求：3.9或更新 ubuntu版本要求：13.04或更新 包管理工具：Anaconda 或 pip3

（1）python版本要求：

（2）操作系统版本要求 （3）包管理工具要求

2.2.2 conda创建虚拟环境

依据pytorch中对python版本的要求，创建一个python 3.11的环境。

#查看已创建的虚拟环境 conda info --envs #创建python 3.11的虚拟环境 conda create -n marl_onpolicy python=3.11 #激活刚创建的虚拟环境 conda activate marl_onpolicy #安装pip3 sudo apt install python3-pip #查看当前虚拟环境下已安装的包 conda list

❓ 这里为什么要安装pip3 ？ 因为pytorch官网安装命令提示，已不支持conda安装。

2.2.3 安装pytorch

确认已安装的CUDA版本。

nvcc -V

在pytorch官网选择对应选项，并在虚拟环境下运行命令

pip3 install torch torchvision torchaudio

安装过程无报错，最后提示安装了如下组件：

Installing collected packages: triton, nvidia-cusparselt-cu12, mpmath, typing-extensions, sympy, pillow, nvidia-nvtx-cu12, nvidia-nvjitlink-cu12, nvidia-nccl-cu12, nvidia-curand-cu12, nvidia-cufft-cu12, nvidia-cuda-runtime-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-cupti-cu12, nvidia-cublas-cu12, numpy, networkx, MarkupSafe, fsspec, filelock, nvidia-cusparse-cu12, nvidia-cudnn-cu12, jinja2, nvidia-cusolver-cu12, torch, torchvision, torchaudio Successfully installed MarkupSafe-3.0.2 filelock-3.17.0 fsspec-2025.2.0 jinja2-3.1.5 mpmath-1.3.0 networkx-3.4.2 numpy-2.2.3 nvidia-cublas-cu12-12.4.5.8 nvidia-cuda-cupti-cu12-12.4.127 nvidia-cuda-nvrtc-cu12-12.4.127 nvidia-cuda-runtime-cu12-12.4.127 nvidia-cudnn-cu12-9.1.0.70 nvidia-cufft-cu12-11.2.1.3 nvidia-curand-cu12-10.3.5.147 nvidia-cusolver-cu12-11.6.1.9 nvidia-cusparse-cu12-12.3.1.170 nvidia-cusparselt-cu12-0.6.2 nvidia-nccl-cu12-2.21.5 nvidia-nvjitlink-cu12-12.4.127 nvidia-nvtx-cu12-12.4.127 pillow-11.1.0 sympy-1.13.1 torch-2.6.0 torchaudio-2.6.0 torchvision-0.21.0 triton-3.2.0 typing-extensions-4.12.2

2.2.4 验证pytorch安装

（有pycharm、vscode等IDE的可跳过这一步） 首先安装spyder IDE

conda install spyder #启动spyder spyder

官方提供了验证方式，在IDE中python编译以下代码，能够正确输出即表示pytorch安装成功。

import torch x = torch.rand(5, 3) print(x) if torch.cuda.is_available(): print("cuda available_flag: yes") else: print("cuda available_flag: no")

输出矩阵，并且表明CUDA可使用，即安装成功。

2.2.5 安装Tensorflow

在虚拟环境下，开始安装。 （！需要主要的是，tensorflow 版本对python版本是有需求的，先自动安装，不能运行再调整版本）

conda install tensorflow-gpu #查看tensorflow版本 conda list | grep tensor

2.2.6 验证Tensorflow安装

打开spyder，输入以下代码，看是否有输出。

import tensorflow as tf tf.add(1, 2).numpy() hello = tf.constant('Hello, TensorFlow!') hello.numpy() from tensorflow.python.client import device_lib print(device_lib.list_local_devices())

💐💐💐 完结撒花 💐💐💐

三、疑问

暂无

四、总结 GPU、显卡驱动、CUDA Toolkit都是nvidia官方提供的。pytorch 作为深度学习框架提供了许多模型，用户可以基于这些模型开发自己应用。anaconda 作为包管理工具可以很好地控制各开发代码的环境，编写新代码时建议创建新环境，以更好控制代码版本。