集成显卡安装PyTorch CPU版：零基础环境搭建与深度学习入门指南

1. 项目缘起：为什么要在集成显卡上折腾PyTorch？

你可能觉得这有点反直觉。PyTorch，这个深度学习框架，不是和NVIDIA的独立显卡（GPU）深度绑定的吗？用集成显卡跑PyTorch，性能能看吗？这确实是个好问题。我最初接触这个需求，是帮一个刚入门机器学习的学生调试环境。他的笔记本只有一块Intel的集成显卡，预算有限，暂时不打算升级硬件。他的目标很明确：只是想先跑通《动手学深度学习》里的基础代码，理解一下张量操作、自动求导和简单的神经网络前向传播，而不是立刻训练一个ResNet去刷榜。

这恰恰点出了在集成显卡上安装PyTorch的核心价值：学习与验证。对于绝大多数深度学习初学者、算法概念的验证者，或者仅仅想用PyTorch做一些轻量级张量计算（比如替代NumPy进行更复杂的矩阵运算）的用户来说，集成显卡环境是完全足够的。PyTorch的CPU版本功能完整，包含了其所有核心特性——动态计算图、自动微分、丰富的神经网络层。你可以在CPU上完成模型的定义、损失计算和基于梯度的优化（虽然速度慢）。这为你扫清了硬件门槛，让你能专注于理解框架和算法本身，而不是在配置CUDA环境的各种版本冲突、驱动问题上耗尽热情。

另一个容易被忽略的场景是部署与轻量级推理。在一些边缘设备或对功耗有严格限制的服务器上，可能只有集成显卡。如果你需要部署一个已经训练好的、模型不大的网络进行推理，PyTorch的CPU版本同样可以稳定工作。这时，一个纯净、正确的PyTorch CPU环境就是必需品。

所以，别再认为“集成显卡=不能玩PyTorch”。恰恰相反，从CPU版本入门，是理解PyTorch底层运作机制最“干净”的路径。等你真正理解了数据如何在CPU内存中流动、计算图如何构建，未来切换到GPU环境时，你才会更清楚性能瓶颈可能出现在哪里，而不是仅仅把GPU当作一个神秘的黑盒加速器。

2. 核心概念澄清：集成显卡、CPU版本与计算后端

在开始动手之前，我们必须把几个关键概念理清楚，这能避免后续很多困惑。

2.1 集成显卡 vs. 独立显卡在PyTorch中的角色

对于PyTorch而言，所谓的“GPU加速”特指利用NVIDIA的CUDA平台进行计算。这需要两个硬性条件：一块NVIDIA的独立显卡（如RTX系列、GTX系列等），以及正确安装的NVIDIA显卡驱动和CUDA Toolkit。

集成显卡（无论是Intel UHD Graphics, Iris Xe，还是AMD Radeon Vega Graphics）在当前的PyTorch官方生态中，无法被直接用于加速张量计算。PyTorch没有为Intel或AMD的集成显卡提供类似CUDA的原生计算后端支持。因此，当我们说“在集成显卡电脑上安装PyTorch”，本质上是指安装PyTorch的CPU版本。所有的计算都将由电脑的中央处理器（CPU）来完成，集成显卡只负责日常的图形显示，不参与PyTorch的任何数学运算。

2.2 PyTorch CPU版本：功能完整的“体验版”

PyTorch的CPU版本并非功能阉割版。它包含了完整的PyTorch框架、TorchVision（计算机视觉库）、TorchAudio（音频处理库）等所有核心组件。你用它写的代码，和GPU版本在API层面是完全一致的。唯一的区别在于，当你创建张量时，默认设备是cpu，而不是cuda。例如：

import torch # 在CPU版本的PyTorch中，这行代码会创建一个CPU张量 x = torch.tensor([1.0, 2.0, 3.0]) print(x.device) # 输出：cpu # 尝试转移到GPU会报错（因为没有GPU） # x = x.cuda() # 这行会抛出 RuntimeError

这意味着，所有基于CPU张量的模型定义、训练循环代码都可以无缝运行。只是当数据量或模型复杂度增大时，计算时间会呈指数级增长。但对于学习和小规模验证，这完全不是问题。

2.3 关于“A卡安装PyTorch”与ROCm

在热搜词里看到了“a卡安装pytorch”，这里需要特别说明。对于AMD的独立显卡（如RX系列），PyTorch通过ROCm平台提供了实验性支持。但请注意：

1. ROCm主要面向AMD独立显卡，对集成显卡的支持非常有限甚至没有。
2. 其安装配置过程比NVIDIA CUDA更为复杂，且不同操作系统、显卡型号的兼容性差异很大，并不适合初学者。
3. 对于集成显卡用户（无论是Intel还是AMD），最直接、最稳定的方案依然是安装CPU版本。

因此，本文的解决方案将完全聚焦于为集成显卡环境安装纯净、稳定的PyTorch CPU版本，这是经过验证的最优路径。

3. 环境搭建实战：Anaconda的降维打击

为什么强烈推荐使用Anaconda（或更轻量的Miniconda）？因为在Python包管理，特别是科学计算包的依赖管理上，Conda环境是避免“依赖地狱”的终极武器。PyTorch本身依赖项众多（如NumPy、MKL数学库等），通过Conda安装，可以一次性解决所有系统级依赖，保证环境隔离和纯净。

3.1 第一步：安装Miniconda（轻量之选）

如果你磁盘空间紧张，或者喜欢更干净的环境，我推荐Miniconda。它只包含Conda和Python，其他包按需安装。

1. 访问官网：打开 Miniconda官网 ，根据你的操作系统（Windows/macOS/Linux）下载对应的Python 3.9或3.10版本的安装器。对于深度学习，Python 3.7-3.10都是常见支持版本。
2. 安装过程：
   • Windows：运行.exe安装程序。关键步骤有两个：一是在“Advanced Options”中，务必勾选“Add Miniconda3 to my PATH environment variable”（这能让你在任意终端使用conda命令）；二是选择“Just Me”即可。
   • macOS/Linux：打开终端，运行下载的.sh脚本，按照提示操作即可。通常一路回车，在最后询问“Do you wish to update your shell profile to initialize conda?”时，输入yes。

安装完成后，打开一个新的终端（Windows用CMD或PowerShell，macOS/Linux用Terminal），输入conda --version，如果显示版本号，则说明安装成功。

3.2 第二步：创建并激活专属的PyTorch环境

永远不要在base环境里直接安装项目包。为每个项目创建独立环境是专业开发者的基本素养。

# 创建一个名为`pytorch_cpu`的新环境，并指定Python版本为3.9 conda create -n pytorch_cpu python=3.9 # 激活这个环境 # Windows: conda activate pytorch_cpu # macOS/Linux: # conda activate pytorch_cpu (命令相同)

激活后，你的命令行提示符前面应该会显示(pytorch_cpu)，表示你已经在这个独立的环境中了。接下来所有操作都在这个环境下进行。

3.3 第三步：安装PyTorch CPU版本（核心步骤）

这是最关键的一步。不要去PyTorch官网直接运行那个默认的conda install命令，因为它通常会包含cudatoolkit，而我们不需要。

正确做法是，安装不包含CUDA的PyTorch包。打开激活了pytorch_cpu环境的终端，执行以下命令：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

让我们拆解这个命令：

• pytorch: 主框架。
• torchvision: 提供图像数据集、模型架构和变换（Transforms），做CV必备。
• torchaudio: 音频处理库，按需安装。
• cpuonly:这个包是关键。它是一个元包（meta-package），它的存在会告诉Conda系统：“我这个环境只需要CPU版本的PyTorch”，从而自动选择不依赖CUDA的PyTorch构建版本。
• -c pytorch: 指定从PyTorch官方的Conda频道下载，保证版本最新、最稳定。

注意：网上有些教程会教你用pip install torch torchvision torchaudio，并在后面加--index-url指定源。对于CPU版本，pip安装也是可行的。但Conda安装的优势在于其能更好地管理一些底层C++依赖（如MKL）。如果你遇到pip安装后某些数学运算异常慢的问题，换用Conda安装通常能解决。作为初学者，我强烈建议先用Conda方案，这是最稳妥的。

安装过程会解析依赖并列出将要安装的包，输入y确认即可。安装完成后，千万不要急着关掉终端。

3.4 第四步：验证安装与第一个张量

让我们写几行代码来验证一切是否正常。在当前的(pytorch_cpu)环境下，启动Python解释器：

python

然后，在Python交互界面中，逐行输入以下代码：

import torch print(torch.__version__) # 打印PyTorch版本，例如 2.1.0 print(torch.cuda.is_available()) # 关键检查！对于集成显卡/CPU版本，这里必须返回 False x = torch.randn(3, 3) # 创建一个3x3的随机张量 print(x) print(x.device) # 输出张量所在的设备，应该是 cpu y = x + x # 进行一次简单的张量运算 print(y)

如果torch.cuda.is_available()返回False，而其他操作都能正常执行，那么恭喜你，一个纯净的PyTorch CPU环境已经配置成功！这正是我们想要的结果。如果这里返回了True，反而说明你可能不小心安装了GPU版本，需要检查之前的安装命令。

4. 集成开发环境（IDE）的配置：以PyCharm为例

在终端里写代码不是长久之计。我们需要一个强大的IDE。PyCharm是Python开发的首选之一，它与Conda环境的集成非常顺畅。

4.1 创建新项目并关联Conda环境

1. 打开PyCharm，选择“New Project”。
2. 在“Location”选择你的项目路径。
3. 最关键的一步：在“Python Interpreter”设置处，点击下拉框，选择“Add Interpreter” -> “Add Local Interpreter”。
4. 在弹出的窗口中，选择左侧的“Conda Environment”。在右侧，选择“Use existing environment”，然后通过路径浏览器，找到你刚才创建的pytorch_cpu环境中的Python解释器。
   • 通常路径像这样：
     • Windows:C:\Users\<你的用户名>\Miniconda3\envs\pytorch_cpu\python.exe
     • macOS/Linux:/Users/<你的用户名>/miniconda3/envs/pytorch_cpu/bin/python
5. 点击“OK”，PyCharm会加载这个解释器。创建项目后，你可以在PyCharm右下角看到当前使用的解释器名称（pytorch_cpu）。

4.2 在PyCharm中验证并编写第一个脚本

在项目中新建一个Python文件，例如test_pytorch.py，将刚才的验证代码粘贴进去，然后右键点击运行。你会在PyCharm的“Run”窗口看到输出，同样应该显示CUDA不可用，且张量计算正常。

现在，你可以愉快地在PyCharm中编写和调试你的PyTorch学习代码了。所有通过PyCharm运行的代码，都会自动使用我们配置好的pytorch_cpu环境。

5. 常见“坑点”排查与解决方案

即便按照上述步骤，你可能还是会遇到一些问题。这里我总结几个高频“坑点”。

5.1 坑点一：安装命令输错，导致安装了GPU版本

现象：验证时torch.cuda.is_available()返回True，但你明明没有独立显卡，后续运行涉及CUDA的代码可能会报错。

根因：你可能使用了官网生成的默认安装命令，例如conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia，这个命令包含了CUDA。

解决方案：

1. 首先，在当前的Conda环境中彻底卸载PyTorch相关包：

   conda remove pytorch torchvision torchaudio cudatoolkit

2. 然后，确保环境是激活的，再次运行正确的CPU版本安装命令：

   conda install pytorch torchvision torchaudio cpuonly -c pytorch

5.2 坑点二：包下载速度极慢或失败

现象：conda install卡在Solving environment或下载进度几乎不动。

根因：默认的Conda源服务器在国外，网络不稳定。

解决方案：为Conda配置国内镜像源（以清华源为例，操作前先备份）。

# 添加清华源通道（一次性添加多个常用频道） conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes

配置后，再次运行安装命令。注意，有时镜像源同步会有延迟，如果找不到最新版本的包，可以暂时去掉-c pytorch，优先从国内源安装。

5.3 坑点三：PyCharm找不到或无法切换Conda环境

现象：在PyCharm的Interpreter列表里，看不到pytorch_cpu环境，或者选择了却无效。

根因：PyCharm没有扫描到所有Conda环境，或者环境路径异常。

解决方案：

1. 在PyCharm中，打开“File” -> “Settings” -> “Project: <你的项目名>” -> “Python Interpreter”。
2. 点击齿轮图标，选择“Add”。
3. 在“Conda Environment”选项卡下，选择“Conda executable”的路径（通常在你的Miniconda安装目录的Scripts\conda.exe(Win)或bin/conda(Mac/Linux)）。
4. PyCharm会自动列出所有Conda环境，选择pytorch_cpu即可。
5. 如果还不行，尝试在“Existing environment”中，手动指定pytorch_cpu环境下的python.exe文件绝对路径（见4.1节）。

5.4 坑点四：运行简单代码也报错或警告

现象：导入PyTorch成功，但运行一些操作时出现UserWarning或RuntimeError。

可能原因与解决：

• 警告关于多线程：你可能会看到类似[WARNIING] ... OMP: Hint This means that multiple copies of the OpenMP runtime have been linked into the program.的警告。这通常是因为某些库（如NumPy）链接了不同版本的OpenMP运行时。这个警告在CPU版本中很常见，绝大多数情况下可以忽略，不影响功能。如果实在想消除，可以设置环境变量KMP_DUPLICATE_LIB_OK=TRUE（在运行程序前，或在PyCharm的Run Configuration里添加）。
• 错误关于未实现的函数：极少数非常新的或冷门的函数可能在CPU后端没有完全实现。对于学习和大多数经典模型，你几乎不会遇到。如果遇到，可以尝试搜索该函数是否支持CPU，或者回退到更稳定的PyTorch版本（如LTS版本）。

6. 从CPU起步：你的第一个神经网络训练

环境搭好了，我们来点实际的。既然性能不是首要目标，我们就用一个超小的数据集和模型，来体验完整的PyTorch训练流程。这能让你验证环境，并理解核心概念。

我们将使用经典的Fashion-MNIST数据集（10类衣物图片）和一个简单的多层感知机（MLP）。

import torch import torch.nn as nn import torch.nn.functional as F from torchvision import datasets, transforms from torch.utils.data import DataLoader # 1. 准备数据 transform = transforms.Compose([ transforms.ToTensor(), # 将PIL图像转换为Tensor，并归一化到[0,1] transforms.Normalize((0.5,), (0.5,)) # 归一化到[-1, 1] ]) # 下载训练集和测试集 train_dataset = datasets.FashionMNIST(root='./data', train=True, download=True, transform=transform) test_dataset = datasets.FashionMNIST(root='./data', train=False, download=True, transform=transform) # 创建数据加载器，批次大小设小一点，适合CPU train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False) # 2. 定义模型 class SimpleMLP(nn.Module): def __init__(self): super(SimpleMLP, self).__init__() self.flatten = nn.Flatten() # 将28x28的图片展平为784维向量 self.fc1 = nn.Linear(28*28, 128) # 全连接层1 self.fc2 = nn.Linear(128, 64) # 全连接层2 self.fc3 = nn.Linear(64, 10) # 输出层，10个类别 def forward(self, x): x = self.flatten(x) x = F.relu(self.fc1(x)) x = F.relu(self.fc2(x)) x = self.fc3(x) # 不在这里做Softmax，因为损失函数CrossEntropyLoss自带 return x model = SimpleMLP() print(model) # 3. 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 4. 训练循环（只跑1个epoch作为演示） num_epochs = 1 for epoch in range(num_epochs): running_loss = 0.0 for i, (images, labels) in enumerate(train_loader): # 前向传播 outputs = model(images) loss = criterion(outputs, labels) # 反向传播和优化 optimizer.zero_grad() # 清空过往梯度 loss.backward() # 反向传播，计算梯度 optimizer.step() # 更新参数 running_loss += loss.item() if i % 100 == 99: # 每100个batch打印一次 print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{len(train_loader)}], Loss: {running_loss/100:.4f}') running_loss = 0.0 print('训练结束！') # 5. 简单测试（不计算准确率，只做预测演示） model.eval() # 将模型设置为评估模式（关闭Dropout等） with torch.no_grad(): # 关闭梯度计算，节省内存和计算 data, target = next(iter(test_loader)) output = model(data) _, predicted = torch.max(output.data, 1) print('测试集第一个batch的预测结果示例：', predicted[:10]) print('对应的真实标签：', target[:10])

把这段代码保存为train_fashionmnist.py并在你的pytorch_cpu环境中运行。你会看到损失在下降，并且程序能正常完成前向传播、反向传播和参数更新。这个过程在CPU上可能会慢一些（一个epoch大概几分钟），但绝对是可以跑完的。这证明了你的PyTorch CPU环境不仅能用，而且能完成从数据加载到模型训练的全流程。

7. 性能调优与学习路径建议

在集成显卡（CPU）上跑PyTorch，性能天花板是显而易见的。但我们依然可以通过一些技巧，让学习体验更顺畅。

7.1 CPU环境下的性能小贴士

1. 控制批次大小（Batch Size）：这是最重要的参数。在CPU上，过大的批次大小不会带来并行计算优势，反而可能因为单次数据载入量过大导致内存交换（卡顿）。从32、64开始尝试，观察内存占用。使用torch.utils.data.DataLoader时，可以设置num_workers=0（默认），在Windows下更稳定；在Linux/macOS下可以尝试num_workers=2或4，利用多进程预加载数据，但注意进程数不是越多越好。
2. 利用MKL与CPU并行：通过Conda安装的PyTorch通常链接了Intel MKL数学库，它会自动利用CPU的多核进行矩阵运算。你可以通过设置环境变量OMP_NUM_THREADS来限制使用的CPU核心数，有时避免全部核心占满能让系统响应更流畅。例如在终端运行前设置export OMP_NUM_THREADS=4（Linux/macOS）或在代码中torch.set_num_threads(4)。
3. 从简单模型和小数据开始：正如我们上面的例子。先理解LeNet、MLP在Fashion-MNIST或CIFAR-10上的表现，再逐步过渡到更复杂的CNN、RNN。不要一开始就试图在CPU上训练ResNet-50，那会消磨你的耐心。
4. 善用torch.no_grad()：在模型推理（验证/测试）阶段，用with torch.no_grad():包裹代码。这会禁用梯度计算和跟踪，大幅减少内存消耗并提升速度。

7.2 未来的升级路径

当你在CPU上熟练掌握了PyTorch的基本语法、数据流和训练流程后，未来升级到GPU会变得水到渠成。届时你需要做的只是：

1. 确保有一块NVIDIA独立显卡。
2. 根据显卡算力（如RTX 5060需要CUDA 12.x以上），去NVIDIA官网安装对应的显卡驱动和CUDA Toolkit。
3. 创建一个新的Conda环境（例如pytorch_gpu），使用PyTorch官网根据你的CUDA版本生成的安装命令（例如conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia）。
4. 将你的代码中，在需要的地方把数据和模型通过.to(‘cuda’)移动到GPU上。

你会发现，代码主体几乎不需要改动。你之前在CPU上学到的关于张量、模型定义、损失函数、优化器的所有知识，都完全适用。GPU只是让同样的计算变得更快。

所以，在集成显卡上安装和运行PyTorch，绝非权宜之计，而是一条非常务实的学习路径。它帮你绕开了最复杂的GPU环境配置难题，让你能直击框架和算法本身的核心。当你用CPU版本亲手搭建并训练出第一个能工作的神经网络时，那份成就感，和未来在GPU上跑出第一个epoch时的兴奋，并无二致。