如何解决“No module named ‘torch’”错误

1. 选择版本：稳定版本 or 预览版本
2. 了解你的操作系统
3. 工具选择
4. 如何与 PyTorch 通信
5. CPU 还是 GPU？
6. PyTorch 安装
7. 常见错误疑难解答

这篇博客将学习如何摆脱持续的 “No module named ‘torch’” 错误。如果您是一名崭露头角的程序员，偶然发现错误消息“No module named ‘torch’”可能会令人沮丧。但不要害怕！此错误仅意味着您的计算机缺少一个名为 PyTorch 的关键工具。这个强大的库使您能够创建各种令人惊叹的事物，尤其是在人工智能（AI）中。

让我们逐步分解如何在系统上启动和运行 PyTorch：

1. 选择版本：稳定版本 or 预览版本

稳定版本（例如 PyTorch 2.3.0）是大多数用户的首选。它提供：

经过全面测试的功能
可靠的性能
与大多数 PyTorch 库和教程兼容
用例：如果您正在处理生产项目或遵循大多数教程，那么稳定版本是您的最佳选择。
预览版本
对于想要生活在最前沿的冒险者，有预览或夜间发布。此版本：

包括最新功能和改进
可能存在一些不稳定或 bug
可能会破坏与某些库的兼容性
用例：需要最新功能或为 PyTorch 本身做出贡献的研究人员或开发人员通常会选择夜间构建。

2. 了解你的操作系统

PyTorch 支持所有主要操作系统，但每个操作系统的安装过程可能略有不同。让我们分解一下常见的选项。

Linux
Linux 因其灵活性和强大的命令行工具而受到开发人员和数据科学家的最爱。

热门发行版： Ubuntu 浏览器、 CentOS 操作系统、 Debian （英语）
用例：许多机器学习工作流，尤其是涉及大规模数据处理或部署的工作流，都在 Linux 服务器上运行。
macOS
Apple 的 macOS 以其用户友好的界面而闻名，深受开发人员和创意人员的欢迎。

版本：基于 Intel 的 Mac、 Apple Silicon （M1/M2）苹果电脑
注意：截至 2024 年，PyTorch 具有对 Apple Silicon 的原生支持，在 M1 和 M2 芯片上提供了显著的性能改进。
windows
Windows 广泛用于企业环境和许多个人用户。

版本： Windows 10 操作系统、windows11
注意：虽然从历史上看，PyTorch 在 Windows 上有一些限制，但最新版本极大地改进了 Windows 支持。

3. 工具选择

将包管理器想象成软件交付服务。
软件包管理器是安装、升级和删除软件包的重要工具。对于 PyTorch，您有以下几个选项。

conda
Conda 是一个开源的包管理系统和环境管理系统，运行在 Windows、macOS 和 Linux 上。

优势：

管理 Python 和非 Python 依赖项
轻松创建隔离的环境
顺利处理 GPU 依赖项
用例：Conda 非常适合管理复杂的环境，尤其是在处理具有复杂依赖关系的数据科学和机器学习库时。
pip
Pip 是 Python 的软件包安装程序。它简单、使用广泛，并且预装在大多数 Python 发行版中。

优势：

轻巧快速
与虚拟环境无缝集成
庞大的 Python 包存储库
用例：Pip 非常适合特定于 Python 的项目以及您想要简约设置的情况。
LibTorch 浏览器
LibTorch 是 PyTorch 的 C++ 发行版。

优势：

允许将 PyTorch 集成到 C++ 项目中
适用于 Python 不理想的生产部署
用例：LibTorch 通常由将 PyTorch 模型集成到大型 C++ 应用程序或嵌入式系统中的高级用户使用。

4. 如何与 PyTorch 通信

假设使用的是 Python（适合初学者的好语言）Python 是 PyTorch 开发的主要语言，因为它简单且数据科学库的生态系统庞大。

例：以下是 Python 中用于创建张量的简单 PyTorch 脚本：

import torch
# Create a tensor
x = torch.tensor([1, 2, 3])
print(x)

5. CPU 还是 GPU？

一些计算机具有称为 GPU 的特殊芯片，使 PyTorch 运行得非常快。如果您的支持，请选择专为 GPU 设计的 PyTorch 版本（例如 CUDA（计算统一设备架构））。如果没有，那也没关系 — 也有适用于常规 CPU 的版本。

PyTorch 设置中最关键的决策之一是是使用 CPU（中央处理单元）还是 GPU（图形处理单元）计算。

CPU
PyTorch 的 CPU 版本适用于所有计算机，适用于以下情况。

学习和实验
中小型型号
在没有 GPU 的服务器上部署
用例：如果您刚开始使用 PyTorch 或使用较小的数据集，CPU 版本是一个不错的选择。
GPU （CUDA）
GPU 加速可以显著加快深度学习模型的训练和推理时间。PyTorch 通过 CUDA 支持 NVIDIA GPU。

要求：

An NVIDIA GPU
安装了正确的 CUDA 驱动程序
用例：对于训练大型模型或处理图像和视频数据，GPU 加速通常是必不可少的。
其他加速器
PyTorch 还支持以下其他加速器。

Apple Silicon （M1/M2）加速
Intel MKL （Math Kernel Library）用于提高 CPU 性能
适用于 AMD GPU 的 ROCm（截至 2024 年处于实验阶段）

6. PyTorch 安装

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

PyTorch 官方网站：https://pytorch.org/

在 PyTorch 主页上，将找到一个配置选择器。从以下选项中选择。
PyTorch 版本（稳定版或预览版）
您的操作系统
包管理器（Conda、Pip、LibTorch）
语言（Python 或 C++/Java）
计算平台（CUDA 版本或 CPU）

获取安装命令，根据选择，PyTorch 将生成自定义安装命令。例如，上面的以下代码片段。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
此命令使用 pip 安装支持 CUDA 11.8 的 PyTorch。
验证安装
安装后，最好使用以下命令验证 PyTorch 是否已正确安装。

import torch
print(torch.version)
print(torch.cuda.is_available()) # Should return True if CUDA is properly set up

就是这样！已成功安装 PyTorch。现在，您已准备好深入了解令人兴奋的机器学习（ML）和 AI 世界。

7. 常见错误疑难解答

即使安装过程简单明了，可能也会遇到一些问题。以下是一些常见问题及其解决方案。

CUDA 版本不匹配
问题：PyTorch CUDA 版本与系统的 CUDA 版本不匹配。

解决办法：安装与 CUDA 安装匹配的 PyTorch 版本。可以在终端中检查CUDA 版本。

nvidia-smi
缺少依赖项
问题：有关缺少库的错误消息。

解决办法：安装所需的依赖项。例如：

pip install numpy pillow
GPU 无法识别
问题：PyTorch 不会检测到您的 GPU。

解决办法：
确保 GPU 驱动程序是最新的。
检查 CUDA 是否已正确安装。
验证 GPU 是否与 CUDA 兼容。