如何在Windows和Linux上安装PyTorch
在本指南中，我将介绍如何在Windows和Linux上安装PyTorch，并使用Anaconda来管理软件包的安装。
安装将使用内置在Anaconda中的conda命令行工具进行。
PyTorch是一个用Python编写的库，基于Torch框架。它由Facebook开发，可与Google的Tensorflow等相媲美。它在计算机视觉和自然语言处理领域非常有用，并已被特斯拉等公司用于开发自动驾驶软件。
PyTorch是免费且开源的，根据修改后的BSD许可证，并受Linux Foundation管理。
先决条件
要按照本教程操作，您需要在使用的计算机上安装Anaconda。
如果您尚未安装它，可以使用此指南how to install Anaconda全面介绍安装过程。在按照该指南操作后，您可以继续安装PyTorch。
在Linux上安装PyTorch
作为良好的实践，首先更新Linux发行版中的软件包。在我的情况下，我使用Ubuntu和apt来管理我的软件包，因此我将使用以下命令进行更新：
$ sudo apt update && apt upgrade 当更新软件包完成后，转到官方网站PyTorch website installation page。向下滚动页面，直到找到下面的安装向导：
使用此向导，您可以单击不同的选项，提供系统信息和首选项，从而获得一个可在终端中使用的命令来安装PyTorch。
在提供系统信息后，看起来是这样的：
我选择了稳定的Linux版本，并且将使用Conda来管理我的软件包。我还选择了在Python而不是C++/Java中使用PyTorch。我将在CPU而不是GPU上运行PyTorch。
在表格底部是我可以使用的命令来安装PyTorch，但在运行此命令之前，我想创建一个名为pytorch的Anaconda虚拟环境。
虚拟环境允许您创建项目并使其依赖项与其他项目的依赖项隔离，从而防止依赖冲突。Anaconda的好处之一是它可以帮助您轻松创建和管理虚拟环境。
要创建一个Python版本为3.7的虚拟环境，我将输入以下命令：
conda create -n pytorch python=3.7创建环境后，我将使用以下命令激活它：
conda activate pytorch环境激活后，我将在PyTorch网站上生成的命令来安装PyTorch。
conda install pytorch torchvision torchaudio cpuonly -c pytorch按照提示安装PyTorch。完成后，我将重新启动终端会话以生效。
现在，要验证PyTorch是否已正确安装，我们将尝试在Python交互式shell中导入它。确保您处于PyTorch虚拟环境中，使用以下命令：
conda activate pytorch一旦您进入了PyTorch虚拟环境，通过输入以下命令打开Python交互式shell：
python启动shell会话后，输入以下代码并按ENTER键
import torch如果Python运行没有错误，则安装成功。但是，如果出现”Module Not Found”错误，则表示安装过程出错。您可以尝试重新安装。
在Windows上安装PyTorch
首先，在您的Windows机器上搜索Anaconda Prompt程序并打开它。这是我们将要运行命令的地方。
程序打开后，我们将使用以下命令为我们的PyTorch安装创建一个虚拟环境。
conda create -n pytorch python=3.7创建虚拟环境后，我们可以通过运行以下命令来激活它：
conda activate pytorch虚拟环境激活后，我们可以继续安装PyTorch。我们首先前往 PyTorch website installations page。之后，我们可以滚动到页面的这个安装向导所在的部分：
在这里，我们选择我们的系统信息，然后向导将给出一个安装PyTorch的命令。我将选择Windows的稳定版本，由Conda管理，在Python编程语言中使用，以及在CPU上运行。因此，我的命令如下所示。
接下来，复制这个命令，将其粘贴到Anaconda提示符中，然后按ENTER键。
安装完成后，我们可以通过打开Python交互式shell并尝试导入PyTorch来验证安装是否成功。
因此，在Anaconda提示符内启动一个交互式Python会话。
python会话启动后，使用以下代码行导入PyTorch：
import torch如果此操作完成而没有错误，则表示安装成功。
最后的话
在本指南中，我们使用conda在Windows和Linux上安装了PyTorch。也可以像普通的PIP软件包一样通过PIP进行安装。在这两种情况下，我选择了CPU安装。但是，您仍然可以使用CUDA，这是由Nvidia开发的系统工具包，通过在GPU上并行化操作来加快训练速度。
