语义分割环境搭建：PyTorch CPU与GPU版本安装及验证全攻略

1. 系列前情回顾与本期核心目标

语义分割学习系列写到第四篇，前面几篇我分别梳理了语义分割的基本概念、常见数据集的组织方式、以及几个主流分割模型的结构差异。按照正常的学习路线，理论铺垫到这一步，接下来就该动手了。动手的第一步就是装环境，而这一步恰恰是劝退很多初学者的一道坎。

针对“语义分割”这个具体方向来说，环境安装有个很现实的特殊性：分割模型普遍比分类模型更吃显存和算力。分类模型用几层卷积加全连接就能跑，分割模型动不动就是编码器-解码器结构，特征图尺寸大、上采样层多，参数量和中间张量都明显更大。所以环境选型时，要不要上GPU版本，不是一个“随便选一个就行”的问题，而是直接决定了你后续能不能把模型跑起来、跑多快、能跑多大分辨率。

本篇会用完全实操的方式，把CPU版本和GPU版本的PyTorch安装分别讲清楚，从版本选型、安装命令、验证方法，到语义分割场景下的常见坑位排查，全部过一遍。适合两类人参考：一类是刚入门、想先在本机上把分割模型跑通的初学者；另一类是换了新机器、需要在不同硬件环境下快速重建PyTorch环境的从业者。

在动手之前，先把本篇的核心思路交代清楚：CPU版本负责“跑通”，GPU版本负责“跑快”。两种版本的核心代码完全一致，区别只在底层的张量计算走的是CPU指令集还是CUDA并行计算。所以你会发现，换版本时你写的模型代码一行都不用改，改的只是安装命令和验证逻辑。这也是我强烈建议初学者先装CPU版本的原因——环境问题一旦和模型问题混在一起，排查起来非常痛苦。

2. CPU版本和GPU版本到底差在哪：先想清楚再动手

2.1 两者的本质区别：不是“快慢”差距，而是“计算路径”差距

很多初学者有个误解，觉得CPU版本的PyTorch就是GPU版本的“低配阉割版”，功能少、性能差。实际上两者在API层是完全一致的，唯一区别在于底层张量运算的执行引擎。

CPU版本把每个算子编译成CPU指令，依赖Intel的MKL或OpenBLAS这类数学库做矩阵乘法加速；GPU版本则通过CUDA把张量运算派发给显卡上的CUDA核心并行执行。拿语义分割里最常见的3x3卷积举例：一个卷积层本质上是一堆乘加运算，CPU版本按顺序在少数几个核心上跑，GPU版本把几千个CUDA核心同时拉起来算，这个并行度差距在特征图分辨率大的时候会被放大得非常夸张。

语义分割模型的特征图动辄是224x224甚至512x512，上采样层更多，算起来比普通分类模型重好几倍。我之前在一台普通的Intel CPU笔记本上跑过一个轻量分割模型的单次前向传播，一张512x512的图要将近20秒；换成一张主流的中端显卡，同样的输入分辨率只要几十毫秒。这个量级的差距决定了GPU版本根本不是“锦上添花”，而是“跑得动”和“跑不动”的区别。

2.2 版本选型的核心约束：驱动、CUDA Toolkit和PyTorch三者关系

GPU版本的安装之所以让人觉得绕，是因为牵涉到三个层次的东西：NVIDIA显卡驱动、CUDA Toolkit、PyTorch自带的CUDA运行时。很多人把这三者搞混，导致装完之后明明驱动是好的，PyTorch却报CUDA不可用。

先理清这三层的关系。显卡驱动是操作系统层面的东西，负责让系统和显卡通信，它决定了你的显卡最高能用哪个CUDA版本。CUDA Toolkit是一整套开发工具包，里面包含编译器、调试工具和运行时库，假如你要自己编译CUDA代码，就必须装它；但如果只是使用PyTorch，那完全可以不单独装Toolkit。原因是PyTorch的官方预编译包里已经捆绑了对应版本的CUDA运行时库，也就是PyTorch自己带了一套“迷你版”的CUDA运行环境。

用生活化的方式理解：驱动相当于高速公路的路政，决定这条路最多能承受多少吨的车；CUDA Toolkit相当于全套修车工具和配件仓库；PyTorch自带的CUDA运行时则是一辆已经加好油、装好配件的成型车。你只要确定“公路能承受这辆车”，就能直接把车开上去，不一定非得把整个配件仓库搬到现场。

那么“路政”怎么判断？在命令行执行nvidia-smi，右上角显示的CUDA Version就是当前驱动支持的最高CUDA版本。只要这个数字不低于PyTorch构建时要求的版本，就可以用。PyTorch官方预编译包对驱动版本有最低要求，通常是450左右起步，绝大多数近几年的驱动都满足条件，所以实际安装时驱动检查反而是最省心的一步。

2.3 语义分割场景下怎么选

结合语义分割的具体需求，我给一个很直接的选型建议：

• 目标是先跑通流程、验证代码逻辑、学习模型结构，且显卡不确定或没独显，直接装CPU版本，省事。
• 目标是训练真实数据集、跑推理、做结果可视化，显存不低于4G，果断上GPU版本。
• 机器显存只有2G甚至更小，建议先装CPU版本跑小分辨率验证，同时考虑云GPU或网上免费的算力平台。

需要提醒的是，显存大小直接决定了你在语义分割里能用多大的输入图像和batch size。同样的DeepLabV3结构，512x512输入加一个适中batch size可能就要吃掉6到8G显存。显存不够时不要硬调大输入，优先降低输入分辨率或减小batch size，属于后文要专门展开的话题。

3. 环境准备：统一用虚拟环境隔离，别把PyTorch装进系统Python

3.1 为什么一定要用虚拟环境

很多初学者图省事，直接在系统Python里pip install torch就开跑。短时间看确实快，但后续很容易踩坑，最典型的是Python版本和PyTorch版本不兼容的问题。PyTorch对Python版本有明确支持范围，比如最新的PyTorch 2.x版本一般支持Python 3.8到3.11，如果你系统里只有老旧的Python 3.6，装出来的PyTorch根本没法import或用起来错误百出。

更关键的是隔离需求。语义分割项目的依赖往往不止PyTorch一个，还可能涉及图像处理库、可视化库、数据增强库等，不同项目对同一种库的版本要求可能冲突。虚拟环境的意义就是把每个项目的依赖打包在独立空间里，互不干扰。这套习惯在团队协作和换机器复现环境时尤其重要——环境本身也是项目的一部分。

我用过Anaconda和纯Python的venv方案，混合体验下来，深度学习方向我推荐Anaconda。原因有二：一是conda能管理Python版本，一条命令就能创建一个指定Python版本的环境，venv则必须预先装好对应版本的Python；二是conda在解析一些底层库依赖时比pip更稳妥，尤其涉及和CUDA相关的包时不容易出奇怪的翻译错误。

3.2 创建环境的推荐操作

采用Anaconda时，安装完Anaconda后在终端里执行：

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

以此创建并进入一个名为seg的虚拟环境，指定Python版本为3.10。这个版本是我实测下来和PyTorch兼容性最稳的版本区间，既不是太老导致部分新库不支持，也不是太新导致个别底层库还没有预编译包。

注意：如果你用的是Windows系统，后面的命令要在Anaconda Prompt里执行，不是系统自带的命令提示符。这是新手最容易忽略的细节，弄错的话conda会提示找不到命令。

创建好环境后，顺便装两个后面语义分割会高频用到的依赖库：

pip install numpy pillow matplotlib

numpy处理数组运算，pillow负责图像读写，matplotlib做可视化。这三个库不属于PyTorch但属于必备配套，先装好避免后面临时补。

3.3 安装源的坑位提醒

在国内网络环境下，不配置镜像源直接pip装PyTorch，下载速度堪比等快递。但你也不能直接简单地把pip的全局源改成清华源然后装PyTorch，因为PyTorch的CPU和GPU版本在官方PyPI源里是同一个包名，你很难只通过pip install torch精确安装到带CUDA支持的那个版本。

这里的关键动作是用PyTorch官方给出的--index-url参数指定安装源，而不是依赖全局pip配置。这样既可以走更快的下载路径，又能精确锁定CPU或对应CUDA版本的wheel包。实际安装时直接使用官方源在部分网络环境下也可能不稳定，但比混用清华源导致装错版本的代价小得多。这一点在后文CPU和GPU安装部分都会反复强调。

4. CPU版本PyTorch的安装步骤与验证

4.1 安装命令与版本选择逻辑

进入虚拟环境后执行：

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

torch是主库，torchvision是计算机视觉配套库（语义分割的数据集处理、预训练权重转换经常用到），torchaudio原本是音频方向用的，但在PyTorch安装时通常一并装上以确保版本对齐。三个包必须保持版本一致，否则会报错提示vision和audio找不到匹配的torch版本。

当前最新稳定版为PyTorch 2.x系列。安装完成后可以用以下命令确认版本，并检查是否真的是CPU版本：

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

这时候输出的版本号末尾会带+cpu后缀，比如2.1.2+cpu。看到这个后缀，说明你安装的确实是CPU版本，没有误装成CUDA版。

4.2 验证CPU环境可用于语义分割

光能import torch还不够，还要验证张量计算真的能在CPU上跑起来。执行：

import torch x = torch.randn(10, 3, 512, 512) print(x.size()) y = x.conv2d # 这里只是为了演示，实际不会这么用 # 正确的验证方式：执行一次真实卷积 import torch.nn as nn conv = nn.Conv2d(3, 16, kernel_size=3, padding=1) out = conv(x) print(out.size())

这个验证的意图是确保卷积层在CPU上能正常前向传播。语义分割模型里最基础的单元就是卷积层，如果这一步能跑通，说明环境的基本计算能力没问题。

接着验证更贴近语义分割场景的操作：加载预训练模型并跑一次前向。以轻量分割模型为例：

import torch import torchvision.models.segmentation as segmentation model = segmentation.fcn_resnet50(pretrained=True) model.eval() dummy_input = torch.randn(1, 3, 512, 512) with torch.no_grad(): output = model(dummy_input) print(output['out'].size())

在纯CPU环境下这个过程可能会比较慢，但能完整跑完。这一步的意义在于，它验证了“PyTorch + torchvision + 预训练权重”整条链路的可用性，后续如果换成GPU版本，这段代码一字不改就能直接提速。

4.3 CPU版本的两个天然限制

装好CPU版本后要心里有数：它能让你跑通流程，但不适合做真实训练。限制一在速度，哪怕是一个很小的分割模型，在CPU上训练一个epoch也要耗费比GPU多几十倍的时间；限制二在内存，CPU版本把中间特征图全部放在系统内存里，大分辨率输入容易直接挤爆内存。

所以我的建议是：CPU版本作为学习阶段的环境完全够用，但不要在没有GPU的情况下尝试训练一个像样的分割模型。那既浪费时间，也容易让人误判模型本身的问题。先把环境跑通、把代码逻辑理清楚，再上GPU做真实训练，这是性价比最高的路径。

5. GPU版本PyTorch的安装步骤与验证

5.1 第一步先确认驱动状态

安装GPU版本之前，先在终端执行：

nvidia-smi

能看到显卡信息列表，说明驱动已正确安装。输出里的CUDA Version就是驱动支持的最高CUDA版本。如果提示找不到命令，说明显卡驱动没装或没装好，需要先解决驱动问题，再继续安装PyTorch。

驱动安装这块，Windows用户一般到NVIDIA官网下载对应显卡型号和系统版本的最新驱动即可；Linux用户则要根据发行版选择对应驱动包。这里有个很多人忽略的点：驱动不一定越新越好，重点是和后续选择的CUDA版本匹配。与其强行追求驱动版本最大值，不如选一个稳定、满足PyTorch构建要求的版本。

5.2 选定CUDA版本的核心逻辑：看PyTorch官方支持列表

打开PyTorch官网的安装页，你会看到官方提供了几个CUDA版本的安装命令，常见的有CUDA 11.8、CUDA 12.1等。这里有个容易踩的坑：不要看到自己驱动支持的最高CUDA版本是12.0，就去装CUDA 12.1的PyTorch包。PyTorch的预编译包是在特定CUDA版本下构建的，你要做的是选一个“PyTorch官方支持且不高于你驱动支持最高版本”的CUDA版本。

举例来说，如果你的nvidia-smi显示驱动支持CUDA 12.0，那安装PyTorch的CUDA 11.8版本就稳妥；如果驱动支持CUDA 12.1或更高，那么装CUDA 11.8或12.1都可以，选哪个更多取决于你的其他依赖库是否和特定CUDA版本绑定。从稳的角度说，CUDA 11.8是目前生态兼容性最广的版本之一，很多第三方扩展库和预编译包都优先支持它。

用一张表总结常见的组合：

注意：这个表只是通用参考，具体以PyTorch官网安装页当时支持的版本为准。版本选择的原则不变：选“PyTorch官方支持”和“驱动支持”两个集合的交集。

5.3 安装命令与常见安装方式对比

选定CUDA版本后，执行：

# 以CUDA 11.8版本为例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意这里cu118是CUDA 11.8的标识。如果你用CUDA 12.1版本，就把cu118换成cu121。命令逻辑很清楚：--index-url指定了包含CUDA构建版wheel包的官方源，确保你下载的是带CUDA支持的PyTorch而不是CPU版本。

有些教程会推荐用conda直接安装GPU版PyTorch：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

这种方式也能用，但我个人在实操中更推荐pip方案，原因是conda在解析PyTorch和CUDA相关依赖时经常陷入漫长的solving environment过程，而且conda装出来的PyTorch有时候在版本细节上和官方wheel包有细微差异，排查起来反而麻烦。pip方案直接、透明，下载什么版本的包、从哪里下载都一目了然。

5.4 安装后的核心验证：torch.cuda.is_available()

安装完GPU版本后，第一件事是验证CUDA到底能不能用：

import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))

如果torch.cuda.is_available()返回True，说明PyTorch识别到了你的显卡；get_device_name(0)会打印出显卡型号。如果返回False，你的环境安装有问题，需要到第6节的排查表里对号入座。

这一步通过之后，再验证一次语义分割场景下的真实计算。把之前CPU版本里的验证代码稍作修改：

import torch import torchvision.models.segmentation as segmentation model = segmentation.fcn_resnet50(pretrained=True) device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model = model.to(device) model.eval() dummy_input = torch.randn(1, 3, 512, 512).to(device) with torch.no_grad(): output = model(dummy_input) print(output['out'].size())

这里最关键的一行是.to(device)和.to(device)，它们把模型和输入张量都搬到了显存里。很多人GPU环境装好了，但代码里把模型留在CPU上跑，结果速度没提升，还误以为GPU版本没生效。这个坑几乎每隔一段时间都会出现一次，代码层面一定不要漏。

5.5 显存占用与语义分割的计算强度

GPU环境验证通过后，还有一个跟语义分割强相关的细节：显存占用。在执行分割模型前向时，可以通过一行命令实时查看显存使用情况：

nvidia-smi

如果你同时开着训练任务，会看到显存占用不断攀升，这是正常的。但要注意区分两个概念：nvidia-smi显示的“显存占用”不完全是PyTorch实际计算的张量占用，还包括CUDA上下文本身的缓存。PyTorch为了性能会缓存显存空间，所以即便你只跑了一个小模型，显存占用也可能显示好几个G。这不代表你的模型真的需要这么多显存，而是PyTorch预先分配了一部分缓存池。当你遇到CUDA out of memory时，要区分是模型真的超了显存，还是缓存池导致的问题，前者需要调整模型或分辨率，后者可以通过释放缓存或减小batch size解决。

6. 常见安装问题速查与排查实录

6.1 问题排查速查表

根据我在不同类型机器上反复装环境踩过的坑，整理了一份高发问题排查表：

6.2 “安装了GPU版却没有实际使用GPU”的典型情况

这个场景几乎每个深度学习新手都遇到过。最典型的一种：装好了GPU版本的PyTorch，torch.cuda.is_available()也返回True，但跑模型时速度还是很慢。一查发现，问题出在代码里根本没有把模型和数据搬到GPU上。

PyTorch的设计是默认在CPU上创建张量和模型，你要显式调用.to('cuda')或.to(device)才能迁移到GPU执行。迁移后，所有中间计算都在GPU上完成，但如果你在某个环节把张量转成了numpy或通过.cpu()移回CPU，后续的计算又会回到CPU上。这种情况在数据预处理阶段尤其常见：很多人习惯把图像读进来、做numpy操作，然后再转成tensor，这个链路里只要中间落回过CPU，就会导致处理速度整体上不去。

解决办法是养成一个习惯：模型、输入张量、标注张量统一走device变量，不要写死成'cuda'，这样代码在CPU和GPU环境之间切换时不用改动。我在代码里通常这样写：

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

然后在模型和数据上统一.to(device)。这套写法在CPU和GPU环境切换时非常干净，也方便代码在不同机器上复用。

6.3 镜像源使用的避坑经验

国内网络环境下载PyTorch时，很多人第一时间想到配清华源。但这里有个容易被忽略的细节：PyTorch官方源和通用PyPI镜像源的包内容不完全一致。通用PyPI源里的torch包，实际上是从官方源同步过来的，但在某些镜像节点上同步有延迟，可能导致你无论怎么指定--index-url都装不到想要的CPU或CUDA版本。

我的实操习惯是：保持本地pip的全局源用国内镜像（加速普通包下载），但安装PyTorch时用官方URL显式覆盖。命令末尾直接指定官方源，不走全局源，这样可以精确拿到对应版本的wheel包。如果你对下载速度实在不满意，也可以在这种混合模式下尝试找支持PyTorch专类的国内镜像节点，但务必看清路径里是否区分了cpu和cu版本，否则很容易装错。

7. 从环境安装到正式训练的衔接准备

7.1 环境装好了，下一步跑什么最合适

环境安装顺利通过后，很多人的第一反应是“赶紧找个分割数据集开始训练”。这个做法我不太推荐。第一次接触语义分割时，建议先用一个很轻量的流程把全链路跑通：加载预训练分割模型，对一张输入图片做推理，输出分割结果并可视化。

这个流程只占几分钟时间，但能把环境、模型加载、数据预处理、推理、结果可视化这五个环节全部验证一遍。之后再进入数据集准备、训练脚本编写等更复杂的环节时，至少你已经能确定环境没问题，后续出错可以专心排查模型或数据处理逻辑。

推理可视化这一步，用一句代码就能把模型输出的通道图转换成可视化分割结果。分割模型的输出是[batch, num_classes, H, W]的张量，取每个像素最大响应的类别索引，再映射成彩色图，就能直观看到语义分割的效果。这部分我会在下一期详细展开，本篇先铺好环境基础。

7.2 环境的一致性和可复现性

我们在团队协作或换机器复现项目时，经常遇到环境不一致导致结果对不上的情况。因此我强烈建议，环境装好后立刻把依赖导出保存，执行：

pip freeze > requirements.txt

这样其他人在新环境里用pip install -r requirements.txt就能快速复现你的依赖环境。有一点要提：pip freeze会导出所有包，包括间接依赖，这个文件会很长且包含一些无关紧要的包。更精确的做法是用pip freeze过滤出和深度学习直接相关的关键包，或者配合虚拟环境里新建的环境做干净导出。

另一个好习惯是记录PyTorch的版本和CUDA标识。比如在项目说明里写清楚“PyTorch 2.1.2+cu118”，比笼统写“PyTorch”对后来的人有指导意义。环境信息本身就是项目元数据的重要部分，尤其深度学习项目对运行环境的敏感度极高，细节能省去后面大量的排查时间。

7.3 CPU环境和GPU环境的代码兼容策略

前面我反复提到代码里用device变量的写法，这里再展开讲讲为什么这个习惯很重要。用同样的代码在CPU和GPU之间切换，对语义分割学习阶段尤其有用——完整训练前你可以在CPU上用小数据集做一次极小规模的验证，确认模型能收敛、代码没有逻辑错误，再切到GPU上跑全量数据。

具体来说，可以在脚本开头统一设置一个device变量，后面所有.to()调用都用它。这样你在CPU环境排查问题时，只需把device改成'cpu'，其余代码不动就能在慢速环境下调试；到了GPU环境再改回'cuda'或继续让代码自动检测。这套兼容策略帮我省下的时间，远远超过刚开始多写的几行代码。

8. 写在最后的安装体会

先把驱动、CUDA、PyTorch的关系理清楚，再动手装环境，看起来绕路，实际上是最快的路径。我自己早期装GPU版PyTorch时，就是直接抄了官网一条命令，装完发现torch.cuda.is_available()返回False，然后开始茫茫然排查驱动、排查环境变量、重装了好几次，最后才意识到问题出在install命令的CUDA版本和驱动支持范围不匹配。那次折腾之后，我养成了一个习惯：动手安装前，先把几个关键版本的对应关系列出来，确认无误再执行。

你在安装过程中如果遇到任何报错，先别急着全网搜答案，停下来对照一下“驱动支持的CUDA版本”和“PyTorch构建所用的CUDA版本”是不是匹配，八成的问题都出在这。这个判断方法比盲搜有效得多，也是环境类问题里最通用的排查思路。

下一篇我会顺着现在的环境基础，写如何用PyTorch加载预训练分割模型、做推理并可视化结果，把语义分割从“环境就绪”推进到“看得见结果”的阶段。到时候再见。