1. 为什么从CPU版PyTorch开始？

如果你刚接触深度学习，或者手头没有一块像样的独立显卡，看到铺天盖地的“GPU加速”、“CUDA”教程，可能会觉得门槛高不可攀。别急，我当年也是从一台只有集成显卡的笔记本开始的。今天要聊的，就是如何在没有GPU的环境下，把PyTorch这个深度学习框架稳稳当当地装起来，并且让它跑起来。

很多人有个误解，觉得没有GPU就玩不了深度学习。其实不然。GPU的核心优势在于并行计算，它能将训练一个复杂模型的时间从几天缩短到几小时。但对于学习、原型验证、小数据集实验，或者推理一些已经训练好的轻量级模型，CPU完全够用。PyTorch的CPU版本功能是完整的，API和GPU版本完全一致，只是计算后端换成了CPU。这意味着，你写的所有代码，在有了GPU之后，几乎可以无缝迁移。从CPU起步，能让你更专注于理解模型结构、数据流和PyTorch的核心逻辑，而不是一开始就陷入驱动、CUDA版本兼容性这些令人头疼的“环境玄学”里。

所以，无论你是学生、研究者，还是刚转行的开发者，手头只有一台普通电脑，这篇文章就是为你准备的。我们会绕开所有关于GPU的复杂配置，直击核心：如何用最简洁、最不容易出错的方式，搭建一个纯净、可用的PyTorch学习环境。

2. 环境基石：Python与包管理器的选择

在安装PyTorch之前，我们需要一个稳固的基础——Python环境。这里我强烈建议不要直接使用系统自带的Python。系统Python通常版本较旧，且直接在上面安装包容易引起权限冲突和依赖混乱，一旦玩坏了可能影响系统其他功能。

2.1 为什么是Anaconda/Miniconda？

对于数据科学和机器学习领域，Anaconda或其精简版Miniconda是事实上的标准环境管理工具。它们解决了几个核心痛点：

1. 环境隔离：你可以为每个项目创建独立的Python环境，比如一个环境用PyTorch 1.13，另一个用PyTorch 2.0，彼此互不干扰。
2. 依赖管理：Conda不仅能管理Python包，还能管理非Python的库依赖（比如某些科学计算库的底层C/Fortran库），这是pip有时做不到的。
3. 预编译包：Conda提供的包通常是预编译好的，在各种操作系统上安装更稳定，尤其是涉及NumPy、SciPy这类包含本地代码的包。

Miniconda只包含Conda、Python和少量核心依赖，比完整的Anaconda（自带几百个数据科学包）更轻量，更灵活。我通常推荐Miniconda，需要什么包再自己装，保持环境干净。

2.2 安装Miniconda实操步骤

1. 下载：访问Miniconda官网，根据你的操作系统（Windows/macOS/Linux）和系统架构（通常是64位）下载对应的安装包。对于Windows，选择“Miniconda3 Windows 64-bit”的.exe安装程序。
2. 安装：运行安装程序。有几个关键选项需要注意：
   • 安装路径：避免包含中文和空格，比如D:\Miniconda3。
   • “Add Miniconda3 to my PATH environment variable”：这个选项不建议勾选。勾选后，Conda的基础环境会全局可用，但可能与你系统已有的其他软件（如某些IDE）冲突。我们后续通过Conda自带的命令行来激活环境更安全。
   • “Register Miniconda3 as my default Python 3.x”：这个可以勾选，影响不大。
3. 验证安装：安装完成后，在Windows开始菜单中找到并打开“Anaconda Prompt (Miniconda3)”。这是一个专为Conda配置的命令行。输入以下命令并回车：

   conda --version

   如果显示类似conda 24.x.x的版本号，说明安装成功。

2.3 创建专属的PyTorch环境

打开“Anaconda Prompt”，我们创建一个名为pytorch_cpu的独立环境，并指定使用Python 3.9（这是一个长期支持、生态兼容性极好的版本）。

conda create -n pytorch_cpu python=3.9

执行后，Conda会解析依赖并提示你将安装哪些包，输入y确认。完成后，激活这个环境：

conda activate pytorch_cpu

激活后，命令行提示符前面通常会显示环境名(pytorch_cpu)，这表示你后续的所有操作都只在这个“沙箱”内生效。

3. 核心安装：获取正确的PyTorch CPU版本

这是最关键的一步，也是新手最容易踩坑的地方。PyTorch官网的安装命令生成器默认会推荐带CUDA的版本，我们需要主动选择CPU版本。

3.1 官方安装命令生成器的正确用法

1. 打开PyTorch官网，找到“Get Started”页面下的安装命令生成器。
2. 按以下方式选择：
   • PyTorch Build：选择Stable (2.3.0)。稳定版是经过充分测试的，最适合学习和生产。
   • Your OS：选择你的操作系统。
   • Package：选择Conda。这能确保我们通过Conda来安装，与之前创建的环境管理方式一致。
   • Language：选择Python。
   • Compute Platform：这是关键！一定要选择CPU。这个选项会生成不包含CUDA工具链的纯CPU版本安装命令。
3. 选择完成后，页面下方会生成一行命令，例如：

   conda install pytorch torchvision torchaudio cpuonly -c pytorch

3.2 执行安装与深度解析

将生成的命令复制到已激活的pytorch_cpu环境的“Anaconda Prompt”中执行。

conda install pytorch torchvision torchaudio cpuonly -c pytorch

这条命令做了以下几件事：

• pytorch：PyTorch主框架。
• torchvision：一个专门用于计算机视觉的库，提供了常用的数据集（如MNIST、CIFAR-10）、模型架构（如ResNet）和图像变换工具。即使你不做CV，很多教程的例子也会用到它。
• torchaudio：用于音频处理的库。
• cpuonly：这是一个元包。它的作用不是安装一个软件，而是作为一个约束条件，告诉Conda：“我要安装的PyTorch必须是纯CPU版本的，不能依赖任何CUDA相关的包”。这是确保我们安装纯净CPU版的核心。
• -c pytorch：指定从PyTorch官方的Conda频道下载包，保证版本的权威性和兼容性。

安装过程会显示将要安装、更新或降级的包列表。确认无误后输入y。网络通畅的情况下，几分钟即可完成。

注意：有时，特别是在国内网络环境下，从默认的pytorch频道下载可能速度较慢或中断。你可以尝试添加清华大学的Conda镜像源来加速。但需注意，镜像源可能存在同步延迟。对于PyTorch这类核心包，如果镜像源版本不是最新的，我建议多等一会儿直接从官方源安装，或使用-c pytorch -c conda-forge同时指定官方和conda-forge频道（conda-forge社区维护的包通常也很及时）。

3.3 验证安装是否成功

安装完成后，我们需要验证PyTorch是否被正确安装，并且确认它运行在CPU模式。

在(pytorch_cpu)环境下，启动Python交互界面：

python

然后依次输入以下Python代码：

import torch # 导入PyTorch，如果没有报错，说明安装成功 print(torch.__version__) # 打印PyTorch版本号，确认版本 print(torch.cuda.is_available()) # 检查CUDA是否可用，对于CPU版本，这里必须返回 False x = torch.randn(2, 3) # 创建一个2行3列的随机张量 print(x) # 打印这个张量 print(x.device) # 打印张量所在的设备，这里应该显示 ‘cpu’

如果一切顺利，你将看到类似以下的输出：

2.3.0 False tensor([[ 0.1234, -0.5678, 0.9012], [-0.3456, 0.7890, -0.1234]]) device(type='cpu')

torch.cuda.is_available()返回False是我们期望的结果，它明确告诉我们当前环境没有GPU支持，所有计算都将在CPU上进行。x.device显示为cpu也证实了这一点。

4. 配套工具链：提升开发体验

有了PyTorch，我们还需要一些“趁手兵器”来写代码、管理项目。这里我推荐最主流的组合。

4.1 集成开发环境（IDE）的选择与配置

• PyCharm (推荐)：JetBrains出品，专为Python开发设计，功能强大，对科学计算和数据科学支持良好。它的专业版对学术用户是免费的。
  • 安装：从官网下载社区版（免费）或专业版。安装过程简单，一直“下一步”即可。
  • 配置Conda环境：安装后新建一个项目，在项目设置（File -> Settings -> Project: <你的项目名> -> Python Interpreter）中，点击齿轮图标选择Add...，然后选择Conda Environment->Existing environment，找到你之前创建的Conda环境下的Python解释器，路径通常像D:\Miniconda3\envs\pytorch_cpu\python.exe。这样，PyCharm就会使用我们这个安装了PyTorch CPU版的环境来运行和调试代码。
• Visual Studio Code (VSCode)：轻量、免费、插件生态丰富。通过安装Python和Jupyter插件，也能获得极佳的开发体验。
  • 配置：在VSCode中，按Ctrl+Shift+P打开命令面板，输入Python: Select Interpreter，选择路径为...envs\pytorch_cpu\python.exe的解释器即可。

4.2 Jupyter Notebook/Lab：交互式探索利器

对于学习、数据分析和模型原型快速迭代，Jupyter Notebook是无可替代的工具。它以单元格（Cell）为单位运行代码，可以即时看到结果，并混合编写Markdown文档，非常适合教学和探索。

在我们的pytorch_cpu环境中安装Jupyter：

conda install jupyterlab notebook -c conda-forge

我推荐直接安装jupyterlab，它是Jupyter Notebook的下一代界面，更现代化，功能也更强大。

安装完成后，在命令行输入jupyter lab，会自动在浏览器中打开Lab界面。你可以新建一个Notebook（选择Python 3内核），在单元格中输入import torch等代码并运行，体验交互式编程。

4.3 版本控制：Git入门

虽然与PyTorch安装不直接相关，但使用Git进行版本控制是任何严肃开发的必备技能。它能帮你管理代码历史，方便回滚和协作。

1. 安装Git：从Git官网下载安装程序，默认选项安装即可。
2. 基本配置：安装后，在命令行（或Git Bash）中设置你的用户名和邮箱，这是你提交代码的“签名”。

   git config --global user.name "Your Name" git config --global user.email "your.email@example.com"

3. 在PyCharm/VSCode中使用：这两个IDE都内置了优秀的Git图形界面支持，你可以很方便地进行提交（Commit）、推送（Push）、拉取（Pull）等操作，无需记忆复杂命令。

5. 你的第一个PyTorch CPU程序：从张量到模型

环境搭好了，工具备齐了，我们来点实际的。通过一个完整的微型流程，感受一下PyTorch在CPU上是怎么工作的。

5.1 张量（Tensor）操作：一切的基础

张量是PyTorch中最基本的数据结构，你可以把它理解为N维数组。CPU上的张量操作和GPU在语法上完全一致。

import torch # 1. 创建张量 cpu_tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 从列表创建 zeros_tensor = torch.zeros(2, 3) # 创建2x3的全0张量 random_tensor = torch.randn(2, 3) # 创建2x3的标准正态分布随机张量 print("CPU Tensor:", cpu_tensor) print("Device:", cpu_tensor.device) # 输出: device(type='cpu') # 2. 基本运算 a = torch.tensor([1.0, 2.0, 3.0]) b = torch.tensor([4.0, 5.0, 6.0]) c = a + b # 逐元素相加 d = torch.matmul(a.reshape(1, 3), b.reshape(3, 1)) # 矩阵乘法，点积 print("c = a + b:", c) print("d = a · b:", d) # 3. 与NumPy互转 (非常常用！) import numpy as np numpy_array = np.array([7, 8, 9]) torch_tensor_from_numpy = torch.from_numpy(numpy_array) # NumPy -> PyTorch numpy_array_back = torch_tensor_from_numpy.numpy() # PyTorch -> NumPy

CPU上的张量计算由PyTorch调用底层的数学库（如Intel MKL或OpenBLAS）进行优化，对于中小规模数据，速度完全可以接受。

5.2 构建一个简单的神经网络

我们来定义一个最简单的全连接网络，用于理解PyTorch的模型定义方式。

import torch.nn as nn import torch.nn.functional as F class TinyNet(nn.Module): # 必须继承 nn.Module def __init__(self): super(TinyNet, self).__init__() # 定义网络层 self.fc1 = nn.Linear(10, 5) # 全连接层：输入特征10，输出特征5 self.fc2 = nn.Linear(5, 2) # 全连接层：输入5，输出2 (例如二分类) def forward(self, x): # 定义前向传播路径 x = F.relu(self.fc1(x)) # 第一层后接ReLU激活函数 x = self.fc2(x) return x # 实例化模型 model = TinyNet() print(model) # 创建一个模拟输入 (batch_size=4, feature_size=10) input_data = torch.randn(4, 10) output = model(input_data) print("Input shape:", input_data.shape) print("Output shape:", output.shape) # 应该是 (4, 2)

这个模型完全由CPU执行。nn.Linear层的计算就是矩阵乘法和偏置加法。

5.3 训练循环骨架（反向传播与优化）

即使没有GPU，我们也能完整地走一遍训练流程。这里我们用随机数据模拟一个训练步骤。

import torch.optim as optim # 1. 准备模拟数据 num_samples = 100 num_features = 10 X = torch.randn(num_samples, num_features) # 100个样本，每个10维特征 # 生成简单的二分类标签 (0或1) y = (X.sum(dim=1) > 0).long() # 如果特征和大于0则为1，否则为0 # 2. 定义模型、损失函数和优化器 model = TinyNet() criterion = nn.CrossEntropyLoss() # 交叉熵损失，适用于分类问题 optimizer = optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降优化器 # 3. 一个简单的训练循环 num_epochs = 5 for epoch in range(num_epochs): # 前向传播 outputs = model(X) loss = criterion(outputs, y) # 反向传播 optimizer.zero_grad() # 清空上一步的梯度，非常重要！ loss.backward() # 计算损失关于模型参数的梯度 # 更新参数 optimizer.step() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

这段代码在CPU上完整执行了前向计算、损失评估、反向传播求导和参数更新。loss.backward()会沿着计算图，利用链式法则自动计算所有参数的梯度，这是PyTorch的核心特性——自动微分（Autograd）。优化器optimizer.step()则根据梯度更新参数。

6. CPU环境下的性能调优与实战建议

在GPU稀缺的情况下，让CPU发挥最大效能至关重要。以下是一些切实可行的优化策略。

6.1 利用多核并行计算

现代CPU都是多核心的。PyTorch的许多操作在底层已经通过库（如OpenMP）实现了多线程并行。你可以通过设置环境变量来控制线程数，以匹配你的CPU核心数，避免资源闲置或过度争抢。

import torch # 设置PyTorch使用的CPU线程数，通常设置为物理核心数 torch.set_num_threads(4) # 例如，对于4核CPU

对于数据加载部分，DataLoader的num_workers参数可以并行预加载数据，避免训练时等待IO。

from torch.utils.data import DataLoader, TensorDataset dataset = TensorDataset(X, y) dataloader = DataLoader(dataset, batch_size=16, shuffle=True, num_workers=2) # 使用2个子进程加载数据

注意：在Windows上，num_workers > 0有时会引发多进程序列化问题。如果遇到错误，可以尝试设置为0。在Linux/macOS上则问题较少。

6.2 批处理（Batch）的重要性

即使是在CPU上，批处理也是加速训练的关键。一次处理一个样本（batch_size=1）的效率极低，因为每次前向/反向传播都有固定的开销。增大batch_size可以摊薄这部分开销，更充分地利用CPU的向量化指令（如SIMD）。但batch_size也不是越大越好，它会影响模型优化的动态和内存占用。可以从16、32、64开始尝试，找到适合你机器内存和任务的最佳值。

6.3 监控CPU与内存使用

在训练时，打开任务管理器（Windows）或活动监视器（macOS）/htop（Linux），观察CPU利用率和内存占用。

• CPU利用率：理想情况下，在训练时（尤其是DataLoader工作且模型计算时）应该接近100%（对于设置的多线程）。如果很低，可能是batch_size太小、num_workers设置不当，或者代码中存在不必要的同步点（如频繁的.item()调用将张量转为Python标量，这会阻塞计算）。
• 内存：确保你的数据集和模型不会导致内存交换（Swapping）。一旦开始使用硬盘虚拟内存，速度会急剧下降。如果内存不足，考虑减小batch_size、使用更小的模型，或者采用梯度累积等技术来模拟大批次。

6.4 针对CPU优化的PyTorch构建

PyTorch官方预编译的CPU版本通常已经使用了优化的数学库（如MKL）。但如果你是从源码编译PyTorch，确保启用以下优化：

• 使用MKL：Intel Math Kernel Library，对Intel CPU有深度优化。
• 使用OpenBLAS：一个开源的优化BLAS库，在非Intel CPU上可能表现更好。 对于绝大多数用户，直接使用Conda或Pip安装的预编译包就是最优选择。

7. 常见问题排查与进阶路线

即使按照步骤操作，也可能会遇到问题。这里列出几个典型问题及解决方案。

7.1 安装失败或导入错误

• ImportError: DLL load failed或lib not found：这通常是环境混乱或依赖冲突。最彻底的解决方案是创建一个全新的Conda环境，严格按照上述步骤重装。确保安装命令中包含cpuonly。
• CondaHTTPError或下载极慢：这是网络问题。可以尝试添加国内镜像源（如清华、中科大），但要注意镜像的同步延迟。对于PyTorch，有时耐心等待官方源或使用conda-forge频道更可靠。
• 版本不匹配：确保Python版本、PyTorch版本以及torchvision、torchaudio的版本大致匹配。官网安装命令生成器给出的组合是经过测试的，最好遵循它。

7.2 代码在CPU上运行太慢

1. 首先进行性能剖析：使用Python的cProfile模块或PyTorch的torch.utils.bottleneck来找出代码中的热点（最耗时的部分）。很多时候，慢的不是模型计算，而是数据预处理、日志记录或低效的Python循环。
2. 检查数据管道：确保DataLoader的num_workers设置合理，并且数据预处理（如图像变换）尽可能高效。可以考虑将预处理后的数据缓存到内存或高速磁盘。
3. 模型层面：
   • 简化模型：学习阶段，使用更小、更浅的网络。
   • 减少参数：全连接层是参数大户，考虑是否能用卷积层或循环层替代。
   • 使用更高效的算子：例如，对于嵌入层，使用torch.nn.EmbeddingBag可能比torch.nn.Embedding更高效。

7.3 从CPU到GPU的平滑过渡

当你未来获得GPU资源时，迁移代码非常容易。只需要做两件事：

1. 安装GPU版的PyTorch：在新环境中，使用官网命令生成器选择对应的CUDA版本安装。
2. 将模型和数据移动到GPU：

   device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') model.to(device) # 对于每个批次的训练数据 inputs, labels = inputs.to(device), labels.to(device)

   你之前为CPU编写的所有模型定义、训练循环代码都无需改动。PyTorch的这一设计使得代码的设备无关性非常好。

7.4 学习资源与项目实践

• 官方教程：PyTorch官网的Tutorials是最好起点，从60分钟闪电战开始。
• 经典模型复现：在CPU上尝试复现LeNet-5（MNIST）、简单的RNN（用于时序预测）等轻量级模型。理解每一行代码比跑通一个巨大模型更重要。
• 参与开源项目：在GitHub上寻找一些标记为“beginner-friendly”或“good-first-issue”的PyTorch项目，尝试阅读代码、修复文档或解决简单问题。

从CPU开始深度学习之旅，是一个扎实且低风险的选择。它迫使你更关注算法本质和代码效率，这些基本功在未来使用强大GPU时，会让你更加游刃有余。当你看到第一个由自己编写的、在CPU上成功运行并输出合理结果的模型时，那份成就感是真实的。接下来，就基于这个稳定的环境，开始你的探索吧。