悠悠楠杉
网站页面
在CentOS上搭建PyTorch开发环境：从零开始的完整指南
07/25
一、为什么选择CentOS作为PyTorch开发平台？
作为企业级Linux发行版的代表，CentOS以其出色的稳定性和长期支持周期成为服务器端深度学习环境的首选。近期我们在部署一个工业级图像识别系统时，就遇到了在CentOS 7.6上配置PyTorch 1.12的需求。与Ubuntu等桌面系统不同，CentOS的软件源更新策略更为保守，这也导致环境配置过程中需要特别注意依赖关系。
二、基础系统准备
2.1 系统更新与内核检查
bash
sudo yum update -y
uname -r # 确认内核版本≥3.10
建议安装开发工具链：
bash
sudo yum groupinstall "Development Tools"
sudo yum install epel-release
2.2 显卡驱动安装（GPU用户）
对于NVIDIA显卡用户，建议禁用默认的nouveau驱动：
bash
echo "blacklist nouveau" | sudo tee /etc/modprobe.d/blacklist-nouveau.conf
sudo dracut --force
通过ELRepo仓库安装最新驱动：
bash
sudo rpm --import https://www.elrepo.org/RPM-GPG-KEY-elrepo.org
sudo rpm -Uvh https://www.elrepo.org/elrepo-release-7.0-4.el7.elrepo.noarch.rpm
sudo yum install nvidia-detect
nvidia-detect # 检测推荐驱动版本
三、CUDA与cuDNN的深度配置
3.1 CUDA Toolkit安装
从NVIDIA官网下载对应版本的runfile安装包（网络安装包常有依赖问题）：
bash
wget https://developer.download.nvidia.com/compute/cuda/11.6.2/local_installers/cuda_11.6.2_510.47.03_linux.run
sudo sh cuda_*.run
配置环境变量时，建议在/etc/profile.d/cuda.sh中写入：
bash
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
3.2 cuDNN的隐蔽陷阱
下载对应CUDA版本的cuDNN后，很多人会直接复制文件，但需要注意：
bash
sudo tar -xzvf cudnn-*.tgz -C /usr/local
sudo chmod a+r /usr/local/cuda/include/cudnn.h
验证时建议使用官方sample代码编译测试，而非简单查看版本号。
四、Python环境的最佳实践
4.1 Anaconda的隔离部署
下载Miniconda3更节省空间：
bash
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-*.sh -b -p $HOME/miniconda3
创建专用环境时指定Python版本：
bash
conda create -n torch_env python=3.8
4.2 PyTorch的精准安装
通过官网命令安装时添加-c conda-forge可解决依赖冲突：
bash
conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch -c conda-forge
验证安装时建议运行完整计算测试：
python
import torch
print(torch.cuda.is_available()) # 应输出True
test_tensor = torch.randn(1000,1000).cuda()
print(test_tensor @ test_tensor.T) # 矩阵乘法测试
五、常见问题排查手册
- CUDA版本不匹配：通过
nvcc --version和conda list cudatoolkit对比版本 - 驱动兼容性问题：使用
nvidia-smi查看驱动支持的最高CUDA版本 - 内存不足报错：在PyTorch代码中添加
torch.cuda.empty_cache() - 多用户环境冲突：建议每个用户单独创建conda环境
