企业官网建设流程全解析

开始学PyTorch的第一周，我差点在安装环节直接放弃。笔记本只有一个普通的CPU，没有独立显卡，打开官网安装页面，满屏的CUDA、cuDNN、GPU选项让人头大。当时心里最大的疑问就是：没有显卡是不是就学不了PyTorch？这周结束我可以明确回答：不是。在Windows系统上，纯CPU环境不但能装好PyTorch，而且第一周所有学习任务都跑得动。这篇就把我这一周的完整过程写下来：安装前需要确认哪些环境、pip和conda两条路线怎么选、装完怎么验证、第一周最容易在哪儿翻车。内容不复制官网文档，全部来自真实操作，每一步都给出了命令和排查思路。准备学PyTorch、正卡在装环境这一步的朋友，可以直接照着走一遍。

1. 第一周只装CPU版：这个决定是怎么想清楚的

1.1 入门阶段的计算量，CPU真的扛得住

第一周的学习任务我列一下，你对照自己是不是也差不多：

• 张量的创建、切片、变形、四则运算
• 自动求导（autograd）机制
• 跑一个线性回归或者逻辑回归
• 最多再试一个手写数字识别的小网络

这些任务用CPU完成是什么体验？以线性回归为例，200个样本、100轮训练，我这次实测不到两秒就跑完。手写数字识别如果只是教学用的简单网络，一个epoch几十秒，整个训练几分钟也能接受。真正需要GPU的是后面那些大模型、大批量、大矩阵的场景，第一周完全到不了那个量级。

我之前也担心装了CPU版是不是走了弯路，后来想明白一件事：CPU版和GPU版在代码层面没有任何区别，唯一的区别是计算后端不同。也就是说，你现在写出来的每一行PyTorch代码，将来换成GPU环境一样能跑。第一周装CPU版不是妥协，而是把精力省下来放在真正该学的东西上。

1.2 CPU版和GPU版除了速度，还差什么

很多初学者会把GPU版脑补成一个功能更全的高级版，其实不是。我做了个简单对比：

这里有个反直觉的点值得多说一句：就算你装了GPU版，只要代码里没写.cuda()或者device='cuda'，训练还是跑在CPU上的。所以第一周即使装了GPU版，你大概率也不会真的用到GPU。既然如此，何必为了一个暂时用不上的功能，多下载2GB安装包、多处理一堆环境依赖呢？

1.3 以后想换GPU，代价比你想象的小

这一周结束时，我特意验证了一下换GPU版的流程，结论是几乎无痛。操作无非是新建一个conda环境，再用GPU对应的安装命令装一次，代码一行都不用改。你甚至可以把CPU版和GPU版放在两个不同的conda环境里共存，互不干扰。也就是说，现在先装CPU版，完全不会给以后升级埋坑，第一周这个决定可以做得心安理得。

2. 安装前的环境自查：版本、环境与下载速度预判

2.1 Python版本与位数：少了这一步，后面会莫名奇妙

安装前最关键的一件事，不是急着敲命令，而是确认Python环境。PyTorch官方只支持64位的Python，并且对版本有要求。就当前稳定版来说，一般支持3.9及以上，但我个人建议直接用3.10或3.11。太新的版本有时候反而麻烦，因为torchvision这些配套库对新版Python的适配往往会慢半拍。

检查命令：

python --version python -c "import platform; print(platform.architecture())"

如果输出里没有64bit字样，说明是32位Python，PyTorch装不了，需要先换一个64位版本。还有Windows上有个常见情况：装了应用商店版Python，终端里输python会打开应用商店而不是真正的解释器。遇到这种情况就别浪费时间了，直接装一个干净的原版Python或者Miniconda，省得后面排查到崩溃。

2.2 用conda还是venv：我为什么选了conda

第一周装PyTorch，会连带着装上numpy、typing-extensions、sympy、networkx、jinja2等一系列依赖。如果直接用系统Python装，一旦你以后还要搞别的项目，很容易出现一个项目升级了库、另一个项目就跑不了的局面。

我这一周选择的是conda环境，理由很实在：一条命令创建独立环境，将来换GPU版时再新建一个环境就行，互不污染。如果你已经熟悉venv也没问题，本质是一样的。

conda create -n torch_cpu python=3.10 -y conda activate torch_cpu

创建完之后，先确认终端提示符前面出现了(torch_cpu)，这一步漏了后面全乱。举个例子，如果你激活环境失败，后面所有包都会装到base环境里，到时候排查问题的成本比现在多花两分钟的成本高得多。

2.3 磁盘空间：看起来不起眼，最容易被忽略

PyTorch CPU版本身不算特别大，但算上依赖、虚拟环境和下载缓存，建议你预留5GB以上。我一个环境装下来大概占用了3GB多。如果你的C盘常年飘红，建议给conda换一个数据目录，或者干脆把环境建到其他盘。不要装到一半才想起来磁盘不够，conda装了一半的脏环境清理起来很麻烦，而且很容易在下次建环境时留下一些难以察觉的后遗症。

2.4 下载慢的真正瓶颈与提前应对

这一周我观察到一个现象：很多人说安装失败，其实不是安装命令错了，而是网络下载超时或中断。PyTorch的安装包在几百MB量级，网络不给力的时候，卡在下载阶段半小时很正常。

面对这个问题，我的思路是先分清下载来源：pip装CPU版时，包来自PyTorch官方的CPU索引地址（download.pytorch.org/whl/cpu）；conda装时，包来自pytorch频道。如果你所在网络访问官方源很慢，可以提前准备一个下载工具，把对应的whl文件或conda包先拉到本地再安装，能省下反复重试的时间。

具体到pip路线，还有个细节值得注意：普通的pip镜像只加速PyPI上的包，而CPU版torch走的是独立索引，镜像不一定覆盖。所以要么直接用官方源慢慢下，要么手动下载whl到本地再pip install 本地文件，两者都不复杂。提前判断好这条路径，安装过程能少受很多罪。

2.5 完全没装过Python怎么办

如果你这台Windows机器上什么开发环境都没有，我的建议是直接装Miniconda。它体积小、自带Python和包管理，一条命令建环境，初学者用起来最省心。装的时候注意两点：一是安装器如果有把conda加入PATH的选项就勾上，二是装完之后重新开一个终端，确保环境变量配置生效再开始操作。别在刚装完的旧终端里直接敲命令，那个终端可能还没拿到最新的PATH，指不定就给你来一个找不到conda的提示。

3. pip和conda两条路线：完整命令与选择逻辑

3.1 路线一：pip装CPU版（我最推荐的方案）

激活环境之后执行：

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

这里有三点要解释清楚。第一，为什么用python -m pip而不是直接敲pip？因为在Windows上系统里可能同时存在好几个Python，直接敲pip很可能用的是另一个环境，装了等于白装。用python -m pip等于明确告诉系统：让当前这个Python对应的pip来装。

第二，三个包分别干什么？torch是核心框架；torchvision提供常用数据集、预训练模型和图像相关工具，绝大多数教程都会用到；torchaudio负责音频。如果你只是先学张量操作，只装torch也行，但从实用角度看，一次装齐最省事，省得后面跑教程跑一半发现缺包，再回头折腾环境。

第三，--index-url是关键。它会告诉pip只从CPU专用的索引地址下载，拿到的就是后缀带+cpu的版本。如果你漏掉这个参数，默认就会从PyPI拉取带CUDA的版本，下载量直接翻好几倍，安装时间肉眼可见地变长。我第一次没注意，看到下载进度条走了快2GB才发现不对劲，赶紧停掉重来。

下载完之后，包会自动安装好依赖。整个过程主要时间都花在等torch这个大包下载上，网络正常的话十几分钟能完成。装完之后顺手看一眼输出日志里有没有报错，有红字的Warning可能无所谓，但如果是Error一定要停下来处理。

3.2 路线二：conda装CPU版

同样是激活环境之后：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

这里的cpuonly是PyTorch在conda频道里提供的一个标记包，作用就是告诉conda我要CPU版。conda的优点是依赖解析比较完整，会自己处理所有配套库；缺点是依赖解析阶段有时会卡好几分钟，屏幕上一直显示Solving environment。这不是死机，如果电脑风扇在转，说明它还在干活。等待时可以看一眼任务管理器，确认CPU有占用，耐心等等就好。

如果解析时间长得离谱，可以试试把频道优先级调成flexible，或者搭配conda-forge频道一起搜索。但一般来说，默认命令在大多数机器上都能顺利跑完，不用一开始就搞复杂的配置。

3.3 两条路线怎么选：我的判断依据

说实话两条路都能装成功，区别在于使用习惯和网络条件。我列个简单的选择表：

我个人第一周用的是路线一，顺手记录一下结果：安装完成后在环境里执行pip list，能看到torch、torchvision、torchaudio都到齐了，环境里也没有多余的东西。选择路线一还有个私心：它的安装日志更直白，每个包下到多少都看得一清二楚，出错时更容易判断是哪一步出了问题。

3.4 安装中断了怎么办

安装过程最怕下到一半断网。pip有断点续传能力，重新执行同样的命令会继续利用已下载的部分，大概率能接着完成。conda如果中断，先执行conda clean -a清理缓存，再重新安装。还有个小提醒：不要同时开好几个终端重复执行安装命令，那样容易产生锁冲突，报出类似Another conda process is running的提示。真遇到这种提示，把多余的终端关掉等一会儿就行，别急着去删什么文件。

4. 验证环节：装好和装对是两件事

4.1 第一步：看版本号里有没有+cpu

安装结束先别急着高兴，用一条命令验证：

python -c "import torch; print(torch.__version__)"

如果输出类似2.x.x+cpu，恭喜，装对了。那个+cpu后缀是识别CPU版最重要的标志。如果你看到的是+cu118、+cu121这种，说明下载的是带CUDA的版本，这一周用不上也没关系，只是白占了磁盘空间，回头换个命令重装一遍就行。

再顺便确认一下这台机器没有可用CUDA设备：

import torch print(torch.cuda.is_available()) # CPU版输出 False，这是正常的

很多新手看到False会以为自己装坏了，其实对CPU版来说，这个结果是完全正确的。CPU版没带CUDA后端，cuda.is_available()返回False天经地义。

注意：cuda.is_available()输出False不是安装失败，是CPU版的正常表现。想再多确认一步，可以看torch.backends.mkl.is_available()，一般返回True，说明Windows CPU版用的MKL数学库正常加载。

4.2 第二步：跑张量操作，确认计算和自动求导都正常

光import成功还不够，得让torch真正算点什么。第一周最常遇到的两个基础能力，一个是矩阵运算，一个是自动求导，我直接用一个小脚本验证：

import torch x = torch.randn(4, 4) print("x:", x.shape) y = x @ x.T print("y:", y.shape) z = torch.tensor([1.0, 2.0, 3.0], requires_grad=True) loss = z.pow(2).sum() loss.backward() print("z.grad:", z.grad)

如果脚本能一路打印到底，说明张量运算和autograd都没问题。特别是z.grad能输出tensor([2., 4., 6.])这种值，说明自动求导链路是通的。这一步其实是模仿你后面学习时会反复用到的基础流程，提前跑通会很有安全感。

4.3 第三步：跑一个第一周级别的小任务

验证的最高标准，是用完整的小任务跑通整个训练链路。我选了线性回归，数据是造的，模型只有一个线性层，代码很干净：

import torch import torch.nn as nn import torch.optim as optim torch.manual_seed(0) X = torch.randn(200, 1) * 2 true_w, true_b = 3.0, 1.0 y = true_w * X + true_b + torch.randn(200, 1) * 0.1 model = nn.Linear(1, 1) criterion = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) for epoch in range(100): optimizer.zero_grad() loss = criterion(model(X), y) loss.backward() optimizer.step() if epoch % 20 == 0: print(f"epoch {epoch:3d}, loss = {loss.item():.4f}") print("学习到的权重:", model.weight.item(), "偏置:", model.bias.item())

我跑下来的结果是100轮大约不到2秒就结束，拟合出的权重和偏置落到了合理范围内。这说明CPU环境跑入门教学任务完全没问题，你就放心往下学吧。如果你后面要用手写数字识别，torchvision自带MNIST数据集，下载也就几十MB，第一周完全可以安排上，只是首次运行时需要联网确认一下数据集目录。

提示：第一次跑torchvision.datasets.MNIST时，程序会在root参数指定的目录下载数据集。如果下载特别慢，可以手动把数据集压缩包放进去，程序检测到文件后会自动完成解压和处理。

4.4 性能预期：别拿CPU和GPU比速度

CPU版在入门阶段够用，但到了真正大规模训练，速度差距是数量级的。第一周你不需要追求速度，但心里要有数：如果后续发现一个epoch要十分钟以上，就该认真考虑GPU环境了。在这之前，CPU版的学习体验是很友好的，跑小任务几乎不觉得卡，调试错误也方便，反而是入门阶段的理想选择。

5. 第一周防坑手册：五个高频问题的排查链路

这一周下来，我自己踩的坑不算多，但在不少学习群里看到同样第一周的朋友卡在同类型的问题上。我把最高频的五个整理出来，每个都按现象、原因、排查、修复来讲，希望你能直接跳过这些坑。

5.1 在错误的Python环境里装包

现象：终端里import torch成功了，换一个终端或者换一个目录又报ModuleNotFoundError；或者明明刚装完，在另一个终端里pip list却找不到torch。

原因：Windows系统里经常同时存在多个Python，pip和python可能指向不同环境。

排查链路：

where python where pip python -m pip --version

如果where输出的路径和你以为的不一致，基本就定位了。比如你明明激活了conda环境，但where python第一个结果是C盘的某个Python安装目录，那就说明环境激活没有生效，或者当前终端还在用旧路径。

修复：以后统一用python -m pip安装，装完必须用python -c "import torch"验证，不要只看pip list就认为大功告成。如果你用的是conda环境，养成习惯，每次开终端先conda activate torch_cpu，看到提示符前有(torch_cpu)再操作。

5.2 没加--index-url，结果装成了GPU版

现象：安装过程异常漫长，下载量显示有好几个GB；torch.__version__输出带+cu后缀而不是+cpu。

原因：PyPI上的默认torch包在Windows平台是带CUDA运行时的大包，没指定CPU索引时很容易中招。我自己第一周就踩过一次，看下载进度条走了很久才意识到命令少了参数。

排查：看版本号后缀，几秒钟就能确认。

修复：

python -m pip uninstall torch torchvision torchaudio -y python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

重新安装后再次确认版本带+cpu。如果之后真想换GPU，也是同样的流程，换索引地址重装即可。

5.3 IDE里import torch报错

现象：终端里一切正常，但PyCharm或VS Code里运行同样的代码却说找不到torch。

原因：IDE默认用的解释器是系统Python，不是你创建的那个conda环境。

排查：看IDE右下角或设置里的Python解释器路径，是不是指向torch_cpu环境下的python.exe。

修复：在IDE的项目配置里选择解释器为conda环境的Python，通常路径形如.../envs/torch_cpu/python.exe。选对之后，IDE会自动识别这个环境里已装的所有包，代码自动补全也能跟着工作，体验会好很多。

5.4 torch和torchvision版本不匹配

现象：单独装了torch之后，再装torchvision会提示找不到匹配版本，或者运行时torchvision.transforms直接报错。

原因：torchvision和torch之间有严格的版本对应关系，不是一个能随便配另一个。单独安装时很容易出现一个最新、一个稍旧的情况。

修复：最简单的方法是永远用同一条命令一次装齐三个包，不要分开装。如果已经分开装了，就全卸载再来一遍。真要手工对应，记得先查一下torch和torchvision的版本配对表，比如torch 2.4对应torchvision 0.19这种，一对一对地装，别抱侥幸心理。

5.5 卸载或升级之后，旧版本残留

现象：明明卸载了旧版torch，import torch还是能成功，或者显示的版本号还是旧的。

原因：系统里可能还有另一个位置的旧包，或者是IDE缓存了旧的解释器信息。

排查：

import torch print(torch.__file__)

看这个文件路径指向哪里，就能找到真正被加载的torch是哪个环境里的。如果发现有多个site-packages目录里都有torch，按需清理即可。这个排查办法不只适用于torch，遇到任何包版本不对的问题都能用，是个通用的定位手段。

修复：确认哪些环境是你不需要的，删除多余环境对应目录下的包；如果是IDE缓存问题，重启IDE或者重建项目索引。清理干净之后，再重新执行一次版本验证，确保输出的是你期望的那个环境。

6. 第一周结束时的一点实际体会

装完之后，我又花了点时间把官方快速入门教程从头到尾跑了一遍。说实话，第一周的任务不是冲进度，而是把环境这两个字彻底搞定，让它不再成为后面学习路上的拦路虎。CPU版这个选择，帮我把注意力全部留给了张量、自动求导和训练流程本身，而不是跟显卡驱动和CUDA版本较劲。第一周能达到什么状态？在我看来很简单：打开终端，激活环境，import torch不报错，能跑通一个完整的训练小循环，这周就值回票价了。环境的问题解决得越干净，后面几周进入模型、损失函数、优化器这些概念时，你会少掉一大半无谓的心烦。剩下那些更深入的内容，咱们下周继续。