PyTorch — фреймворк для машинного обучения, который используют для работы с моделями на центральном процессоре и GPU. В статье разберем, как установить PyTorch через pip, выбрать сборку под нужный ускоритель и проверить установку. Материал пригодится разработчикам и инженерам машинного обучения, которые впервые настраивают библиотеку или переносят проект в новое окружение.
Как выбрать подходящую сборку
Нужная сборка зависит от того, где PyTorch будет выполнять вычисления. Версия для процессора работает без видеокарты, CUDA предназначена для GPU NVIDIA, а ROCm — для поддерживаемых ускорителей AMD.
| Сборка | Когда подходит | Что учитывать |
|---|---|---|
| На центральном процессоре | Нет GPU или ускорение не требуется | Самый простой вариант для разработки, тестов и небольших моделей |
| NVIDIA CUDA | Есть совместимый GPU NVIDIA | Дает доступ к вычислениям на видеокарте через CUDA |
| AMD ROCm | Есть поддерживаемый GPU AMD | Поддерживается ограниченный набор видеокарт и конфигураций; официальные сборки PyTorch с ROCm рассчитаны на Linux |
PyTorch 2.14 доступен в сборках с CUDA 12.6, 13.0 и 13.2, при этом основным вариантом считается CUDA 13.0. Версия драйвера NVIDIA должна соответствовать выбранной ветке: для CUDA 12.x нужен драйвер 525 или новее, для CUDA 13.x — 580 или новее.
С AMD используется ROCm. Для PyTorch 2.14 доступны сборки ROCm 7.2 и 7.14, но совместимость зависит не только от версии ROCm, а еще от модели GPU и операционной системы. Поэтому нужную конфигурацию лучше проверять по актуальной таблице совместимости ROCm.
Центральный процессор подходит для небольших экспериментов и проверки кода. Обучение крупных моделей значительно быстрее на GPU. Если подходящего ускорителя нет на локальном компьютере или он нужен только на время обучения, можно использовать облачные серверы с GPU Рег.облака и подобрать конфигурацию под требуемый объем видеопамяти.
Установка PyTorch через Docker: пошаговая инструкция
Docker позволяет запускать PyTorch в изолированном окружении с заранее установленными версиями Python и библиотек. Это упрощает перенос проекта между компьютерами и серверами: разработчику не нужно вручную устанавливать Python и подбирать зависимости в основной операционной системе.
В инструкции используем PyTorch 2.14 и Python 3.14. Хотя PyTorch поддерживает Python 3.10–3.15, с версией 3.15 пока есть ограничения: пакет torch доступен только через репозиторий PyTorch, библиотека torchaudio не поддерживается, а функция torch.compile не работает. Поэтому рекомендуем Python 3.14, с которым проще установить все необходимые компоненты.
Рассмотрим установку PyTorch 2.14 с Python 3.14. Создадим контейнер, проверим вычисления на центральном процессоре, а затем покажем, как использовать GPU NVIDIA.
Шаг 1. Подготовьте Docker
Установите Docker Desktop на Windows или macOS либо Docker Engine на Linux. Запустите Docker и проверьте его работу:
|
1 2 |
<em>docker --version docker info</em> |
Первая команда выводит версию Docker, вторая проверяет подключение к его службе. Если подключение не установлено, убедитесь, что Docker Desktop или Docker Engine запущен.
Создайте папку проекта pytorch-demo. В ней понадобятся два файла: Dockerfile с инструкциями по сборке контейнера и check_pytorch.py с программой проверки.
Шаг 2. Создайте Dockerfile
В папке pytorch-demo создайте файл Dockerfile без расширения и добавьте код:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 |
<em># Используем Python 3.14 FROM python:3.14-slim # Отключаем создание .pyc и буферизацию вывода ENV PYTHONDONTWRITEBYTECODE=1 \ PYTHONUNBUFFERED=1</em> <em># Создаем рабочую папку внутри контейнера WORKDIR /app # Устанавливаем системную библиотеку для многопоточных вычислений RUN apt-get update \ && apt-get install -y --no-install-recommends libgomp1 \ && rm -rf /var/lib/apt/lists/* # Указываем репозиторий сборок PyTorch ARG PYTORCH_INDEX_URL=https://download.pytorch.org/whl/cpu # Устанавливаем PyTorch и дополнительные библиотеки RUN python -m pip install --no-cache-dir \ torch==2.14.0 \ torchvision==0.29.0 \ torchaudio==2.11.0 \ --index-url "${PYTORCH_INDEX_URL}" # Копируем программу проверки COPY check_pytorch.py /app/check_pytorch.py # Запускаем ее при старте контейнера CMD ["python", "check_pytorch.py"]</em> |
Образ python:3.14-slim содержит Python 3.14 и минимальный набор системных компонентов. Пакет libgomp1 предоставляет библиотеку OpenMP, которую используют программы с параллельными вычислениями на центральном процессоре.
Команда pip install устанавливает три пакета: torch — основную библиотеку PyTorch, torchvision — инструменты для обработки изображений и torchaudio — инструменты для работы со звуком.
Версии пакетов закреплены, чтобы их новые выпуски не устанавливались автоматически. Адрес PYTORCH_INDEX_URL указывает на репозиторий CPU-сборок. В дальнейшем его можно заменить на репозиторий с поддержкой CUDA, не меняя Dockerfile.
Шаг 3. Добавьте проверку установки
В той же папке создайте файл check_pytorch.py:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 |
<em>import os import torch import torchvision import torchaudio</em> <em># Определяем устройство для вычислений device_name = os.environ.get("DEVICE", "cpu").lower() if device_name not in {"cpu", "cuda", "mps"}: raise ValueError("Укажите DEVICE=cpu, DEVICE=cuda или DEVICE=mps") # Проверяем доступность выбранного GPU if device_name == "cuda" and not torch.cuda.is_available(): raise RuntimeError( "CUDA недоступна. Проверьте драйвер NVIDIA, " "сборку PyTorch и доступ к GPU." ) if device_name == "mps" and not torch.backends.mps.is_available(): raise RuntimeError( "MPS недоступен. Проверьте поддержку GPU " "и запускайте PyTorch непосредственно в macOS." )</em> <em> device = torch.device(device_name) # Проверяем вычисления на выбранном устройстве a = torch.rand(64, 64, device=device) b = torch.rand(64, 64, device=device) result = a @ b # Проверяем обработку изображения через torchvision image = torch.rand(3, 8, 8) flipped = torchvision.transforms.functional.hflip(image) assert flipped.shape == image.shape # Проверяем обработку звука через torchaudio sound = torch.rand(1, 800) resampled = torchaudio.functional.resample(sound, 8000, 16000) assert resampled.shape[-1] == 1600</em> <em> print("PyTorch:", torch.__version__) print("TorchVision:", torchvision.__version__) print("TorchAudio:", torchaudio.__version__) print("Устройство:", device) if device_name == "cuda": print("Видеокарта:", torch.cuda.get_device_name(0)) print("Результат вычисления:", result.mean().item()) print("Проверка завершена успешно")</em> |
Программа проверяет не только установку библиотек, но и их работу. PyTorch создает два тензора — многомерных массива — и перемножает их. Затем TorchVision обрабатывает изображение, а TorchAudio меняет частоту дискретизации звукового сигнала.
Устройство для вычислений определяется переменной DEVICE. Без дополнительных параметров программа использует центральный процессор. Если указать недоступный GPU, она сообщит об ошибке вместо незаметного переключения на CPU.
Шаг 4. Соберите и запустите контейнер
Откройте терминал в папке pytorch-demo, где находятся оба файла, и выполните:
|
1 |
<em>docker build -t pytorch-check:cpu</em> |
Docker загрузит образ Python, установит системные компоненты и библиотеки PyTorch. На первую сборку понадобится время, поскольку пакеты занимают значительный объем.
Запустите контейнер:
|
1 |
<em>docker run --rm pytorch-check:cpu</em> |
Программа выведет установленные версии библиотек, устройство cpu, числовой результат вычисления и сообщение:
|
1 |
<em>Проверка завершена успешно</em> |
Числовое значение будет меняться между запусками, поскольку тензоры заполняются случайными значениями.
Появление сообщения означает, что проверочные операции успешно выполнены. Этот способ подходит для Linux, Windows и macOS с работающим Docker. На Windows и Mac вычисления внутри Linux-контейнера в данном примере выполняются на центральном процессоре.
Шаг 5. Настройте PyTorch для NVIDIA GPU
На Linux-сервере с поддерживаемой видеокартой NVIDIA PyTorch может выполнять вычисления через CUDA. Контейнеру потребуется доступ к GPU, а серверу — совместимый драйвер и NVIDIA Container Toolkit, который подключает видеокарту к Docker.
В примере используется CUDA 13.0. Для нее нужен драйвер NVIDIA версии 580 или новее и совместимый GPU.
Проверьте драйвер на сервере:
|
1 |
<em>nvidia-smi</em> |
Команда должна вывести модель видеокарты, версию драйвера и сведения о видеопамяти. Если она завершается ошибкой, проверьте установку драйвера.
Установите NVIDIA Container Toolkit по официальной инструкции NVIDIA. Затем настройте его для Docker:
|
1 2 |
<em>sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker</em> |
Эти команды рассчитаны на стандартную установку Docker Engine в Linux с systemd. NVIDIA Container Toolkit изменяет настройки Docker, чтобы контейнеры могли обращаться к видеокарте.
Проверьте доступность GPU из контейнера:
|
1 |
<em>docker run --rm --gpus all ubuntu:24.04 nvidia-smi</em> |
Если команда выводит сведения о видеокарте, Docker получил к ней доступ. Теперь можно собрать образ PyTorch с CUDA:
|
1 2 3 |
<em>docker build \ --build-arg PYTORCH_INDEX_URL=https://download.pytorch.org/whl/cu130 \ -t pytorch-check:cuda</em> |
Параметр --build-arg заменяет адрес репозитория CPU-сборок на репозиторий CUDA 13.0. Остальная конфигурация Dockerfile остается прежней.
Запустите контейнер:
|
1 |
<em>docker run --rm --gpus all -e DEVICE=cuda pytorch-check:cuda</em> |
Параметр --gpus all открывает контейнеру доступ к видеокартам NVIDIA, а DEVICE=cuda указывает программе, где выполнять матричное умножение.
Успешный запуск завершится сообщением Проверка завершена успешно. В выводе также появятся название видеокарты и устройство cuda.
Как использовать PyTorch на macOS с Apple Silicon
Mac с Apple Silicon может использовать встроенный GPU через MPS (Metal Performance Shaders). Эта технология работает непосредственно в macOS, но недоступна Linux-контейнерам Docker. Поэтому для вычислений на GPU PyTorch нужно установить в самой операционной системе.
Наша инструкция рассчитана на Mac с Apple Silicon и macOS 14 или новее.
Проверьте архитектуру компьютера:
|
1 |
<em>uname -m</em> |
На Mac с Apple Silicon команда выведет arm64.
Установите Python 3.14 с официального сайта Python, если его еще нет, и проверьте версию:
|
1 |
<em>python3.14 --version</em> |
Создайте виртуальное окружение в папке проекта и активируйте его:
|
1 2 |
<em>python3.14 -m venv .venv source .venv/bin/activate</em> |
Окружение отделяет библиотеки проекта от остальных пакетов Python на компьютере.
Обновите установщик и установите PyTorch вместе с дополнительными библиотеками:
|
1 2 3 4 5 6 |
<em>python -m pip install --upgrade pip python -m pip install \ torch==2.14.0 \ torchvision==0.29.0 \ torchaudio==2.11.0</em> |
На macOS эти пакеты доступны через стандартный репозиторий Python. Отдельная установка CUDA или NVIDIA Container Toolkit не нужна.
Проверим вычисления на GPU. В папке с файлом check_pytorch.py выполните:
|
1 |
<em>DEVICE=mps python check_pytorch.py</em> |
Если MPS доступен, PyTorch выполнит матричное умножение на графическом процессоре Apple. В результате появятся устройство mps и сообщение об успешном завершении проверки.
Типичные ошибки установки PyTorch
Большинство проблем связано с неподходящей версией Python, неправильной сборкой torch или драйвером GPU:
| Ошибка | Возможная причина | Что проверить |
|---|---|---|
| No matching distribution found for torch | Версия Python или платформа не поддерживается выбранной сборкой | python --version и команду установки в официальном селекторе PyTorch |
| ModuleNotFoundError: No module named 'torch' | Пакет установлен в другое окружение | python -m pip show torch и путь к Python |
| torch.cuda.is_available() возвращает False | Установлена сборка на ЦП, GPU недоступен или есть проблема с драйвером | torch.version.cuda, nvidia-smi и активное окружение |
| nvidia-smi не запускается | Драйвер NVIDIA отсутствует или работает некорректно | Состояние и версию драйвера |
| Ошибка совместимости CUDA и драйвера | Драйвер слишком старый для выбранной CUDA-сборки | Версию драйвера в nvidia-smi и требования NVIDIA |
| Ошибки после установки torchvision или torchaudio | Несовместимые версии пакетов | Версии torch, torchvision и torchaudio |
Если PyTorch не видит NVIDIA GPU, выполните:
|
1 |
<em>nvidia-smi</em> |
Затем проверьте установленную сборку:
|
1 |
<em>python -c "import torch; print(torch.version.cuda); print(torch.cuda.is_available())"</em> |
torch.version.cuda показывает версию CUDA, с которой собран пакет. Значение None означает, что установлена сборка без поддержки CUDA. Если nvidia-smi тоже не работает, проблему нужно искать в драйвере NVIDIA, а не в PyTorch.
После настройки окружения стоит зафиксировать версии Python, torch и других зависимостей в файле проекта. Для GPU-среды отдельно сохраните модель ускорителя и версию драйвера — это упростит перенос проекта на другой сервер.
Итог
Выбирайте сборку PyTorch с учетом операционной системы и доступного ускорителя: NVIDIA, AMD или Apple Silicon. Установив библиотеку, проверьте, что PyTorch видит нужное устройство и может использовать его для вычислений.
Если проект будете запускать на других компьютерах или серверах, сохраните версии зависимостей и параметры GPU-среды. Так вы сможете быстрее воспроизвести окружение и избежать лишней настройки и конфликтов.
Вопрос-ответ
Как установить PyTorch через pip?
Активируйте виртуальное окружение и выполните:
|
1 |
<em>python -m pip install torch</em> |
Если нужен GPU, используйте команду из официального селектора PyTorch с нужной сборкой CUDA или ROCm.
Какую версию Python выбрать для PyTorch?
PyTorch 2.14 поддерживает Python 3.10–3.15. Новому проекту лучше выбрать Python 3.11–3.14.
Можно ли использовать PyTorch без видеокарты?
Да, PyTorch работает на центральном процессоре, поэтому GPU не обязателен.
Как установить PyTorch с поддержкой CUDA?
Выберите в официальном установщике Windows или Linux, pip и подходящую версию CUDA, затем выполните полученную команду. PyTorch 2.14 выпускается со сборками CUDA 12.6, 13.0 и 13.2.
Как выбрать подходящую сборку PyTorch для GPU?
Выберите на официальной странице PyTorch свою ОС, pip и подходящую версию CUDA, затем выполните сгенерированную команду. Например, для CUDA 13.0 будет команда:
|
1 2 |
<em>python -m pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130</em> |
Как проверить, видит ли PyTorch видеокарту NVIDIA?
Запустите:
|
1 |
<em>python -c "import torch; print(torch.cuda.is_available())"</em> |
Значение True означает, что PyTorch получил доступ к CUDA-устройству.
Нужно ли отдельно устанавливать torchvision и torchaudio?
Только если они нужны проекту. torchvision используют для работы с изображениями, а torchaudio — со звуком. Базовая работа PyTorch возможна только с пакетом torch.
Что делать, если torch.cuda.is_available() возвращает False?
Проверьте nvidia-smi, затем убедитесь, что установлена CUDA-сборка PyTorch:
|
1 |
<em>python -c "import torch; print(torch.version.cuda)"</em> |
Если выводится None, установлен пакет без поддержки CUDA. Если nvidia-smi не работает, нужно проверить драйвер NVIDIA.