Python 深度学习环境：PyTorch 安装、GPU 检测与绘图

清华源主要加速 PyPI 通用包，PyTorch 预编译包（含 CUDA 版本）仍需结合官方 whl 源，命令如下：

# 格式：--extra-index-url 指定官方 CUDA 源，-i 指定清华源（加速其他依赖）
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：需将 cu121 替换为你的显卡支持的 CUDA 版本（如 cu118、cu124），不可直接使用不存在的 cu128（当前 PyTorch 暂不支持）。

2.2 常见报错：Could not find a version that satisfies the requirement torch

报错原因

1. Python 版本不兼容（PyTorch 仅支持 3.8~3.11 等稳定版本）；
2. CUDA 版本不存在或与显卡驱动不匹配；
3. pip 版本过低；
4. 源地址不可用。

解决方案

1. 检查 Python 版本：

python --version # 若版本不在 3.8~3.11，需升级/降级 Python（推荐用 conda 创建虚拟环境）

2. 确认显卡支持的 CUDA 版本：

nvidia-smi # NVIDIA 显卡命令（AMD 用 rocm-smi）

终端输出中'CUDA Version'即为显卡支持的最高 CUDA 版本（如 12.1），需选择不高于该版本的 PyTorch CUDA 版本（如 cu121）。

3. 升级 pip：

pip3 install --upgrade pip

4. 选择正确的安装命令：

• GPU 用户（如 CUDA 12.1）：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

• CPU 用户（无 GPU）：

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

2.3 安装验证

import torch
print(torch.cuda.is_available()) # True=GPU 可用，False=仅 CPU
print(torch.version.cuda) # 输出 CUDA 版本（如 12.1）
print(torch.cuda.get_device_name(0)) # 输出 GPU 型号（如 NVIDIA GeForce RTX 4090）

三、检查 GPU 是否可用（深度学习加速关键）

GPU 是深度学习训练的核心加速硬件，需确认框架（如 PyTorch、TensorFlow）是否识别到 GPU。

3.1 PyTorch 框架（常用）

import torch
# 1. 检查 GPU 是否可用
print("GPU 是否可用：", torch.cuda.is_available()) # 返回 True/False
# 2. 查看可用 GPU 数量
print("可用 GPU 数量：", torch.cuda.device_count())
# 3. 查看当前使用的 GPU 编号（默认 0）
print("当前 GPU 编号：", torch.cuda.current_device())
# 4. 查看 GPU 型号
print("GPU 型号：", torch.cuda.get_device_name(0)) # 0 为 GPU 编号，多 GPU 可改 1、2 等
# 5. 验证 GPU 能否创建张量（避免'驱动不兼容'等隐性问题）
if torch.cuda.is_available():
    x = torch.tensor([1.0, 2.0], device="cuda") # 在 GPU 上创建张量
    print("GPU 张量：", x)
else:
    print("无可用 GPU，使用 CPU")

3.2 TensorFlow 框架

import tensorflow as tf
# 1. 查看 GPU 设备列表
print("GPU 设备列表：", tf.config.list_physical_devices("GPU"))
# 2. 旧版本兼容（TensorFlow 2.x 中 tf.test.is_gpu_available() 已弃用，建议用上面的命令）
# print("GPU 是否可用（旧 API）：", tf.test.is_gpu_available())

3.3 命令行直接检查（不依赖框架）

• NVIDIA 显卡：终端输入 nvidia-smi，查看'GPU'列是否有设备信息（如型号、内存）；
• AMD 显卡：终端输入 rocm-smi，查看显卡状态。

3.4 常见 GPU 识别问题

1. 驱动未安装：需安装与 CUDA 版本匹配的显卡驱动（NVIDIA 官网下载）；
2. CUDA 版本不兼容：框架 CUDA 版本（如 PyTorch 的 cu121）需≤显卡支持的 CUDA 版本（nvidia-smi 查看）；
3. 框架未装 GPU 版本：需重新安装带 CUDA 后缀的框架版本（如 cu121 而非 cpu）。

四、matplotlib（plt）安装与使用（数据可视化）

plt 是 matplotlib.pyplot 的常用别名，用于绘制折线图、柱状图等，是数据分析和深度学习结果展示的核心工具。

4.1 安装命令

pip install matplotlib # 已配置清华源则自动从清华源下载

4.2 基础使用示例

（1）普通 Python 脚本

import matplotlib.pyplot as plt
# 1. 准备数据
x = [1, 2, 3, 4, 5] # x 轴数据
y = [1, 4, 9, 16, 25] # y 轴数据（x 的平方）
# 2. 绘制折线图
plt.plot(x, y, color="red", linewidth=2, label="y = x²") # 设置颜色、线宽、标签
# 3. 添加图表元素
plt.title("Square Function Plot") # 标题
plt.xlabel("X Axis") # x 轴标签
plt.ylabel("Y Axis") # y 轴标签
plt.legend() # 显示图例
plt.grid(alpha=0.3) # 显示网格（透明度 0.3）
# 4. 显示图像
plt.show()

（2）Jupyter Notebook

需额外添加魔法命令（确保图像内嵌显示）：

%matplotlib inline # 魔法命令，仅 Jupyter 需添加
import matplotlib.pyplot as plt
# 后续代码与普通脚本一致
x = [1, 2, 3, 4]
y = [2, 4, 6, 8]
plt.plot(x, y)
plt.show()

4.3 额外说明

• 3D 绘图：matplotlib 自带 mpl_toolkits.mplot3d 模块，无需额外安装；
• 高级可视化：可搭配 seaborn 库（pip install seaborn），基于 matplotlib 封装更美观的统计图表；
• 依赖问题：若安装失败，先升级 pip（pip install --upgrade pip）再重试。

五、常见问题汇总

六、总结

本文覆盖了 Python 深度学习环境搭建的核心操作：从 pip 源配置解决下载效率问题，到 PyTorch 安装的版本适配与报错处理，再到 GPU 可用性验证和 matplotlib 可视化工具的使用，形成了完整的'环境配置→工具安装→问题排查'流程。若遇到其他问题，可根据'常见问题汇总'定位原因，或补充系统版本、Python 版本、显卡型号等信息进一步排查。