怎么检验PyTorch是否安装成功

青禾

发布时间：2026-11-08| 8人浏览过

原创

详细介绍怎么检验PyTorch是否安装成功，涵盖Python环境确认、import导入与版本号核对、张量创建与运算测试、CUDA与MPS硬件加速验证，以及常见报错的排查方法。

检验PyTorch是否安装成功，核心在于依次确认三件事：当前运行的Python环境里能够正常导入torch模块并读取版本号、能够创建张量（Tensor）并完成基础矩阵运算，以及在需要硬件加速时能够正确调用GPU并执行计算。本文将按照实际检验顺序，介绍从命令行环境核对到一行代码测试、完整脚本验证及常见报错排查的具体做法。

一、先确认正在检验的是目标Python环境

在运行任何检验代码前，先确认终端或编辑器使用的是安装PyTorch时的那一个Python环境。一台电脑上常常同时存在系统Python、Anaconda基础环境（base）以及多个虚拟环境，如果安装时在A环境，检验时在B环境，就会出现“明明刚装完却提示找不到模块”的情况。

打开系统的命令行工具（Windows使用PowerShell、命令提示符或Anaconda Prompt，macOS和Linux使用终端），如果你使用了Conda虚拟环境，先激活对应环境（此处以环境名pytorch_env为例）：

终端命令（激活Conda虚拟环境并查看Python路径）：

conda activate pytorch_env
python -c "import sys; print(sys.executable)"

示例输出（Windows环境示例）：

C:\Users\username\miniconda3\envs\pytorch_env\python.exe

如果输出的路径包含了你创建的虚拟环境名称（如envs\pytorch_env或.venv），说明当前终端已经处于正确环境中，可以继续下一步。

二、为什么不能只看 pip list 或 conda list

不少初学者习惯运行pip list或conda list，看到列表里出现torch和版本号，就认为PyTorch已经安装成功。这种做法在核对“安装包是否已经下载到当前环境目录”时是合理的，但它只能证明静态文件存在，无法发现动态链接库缺失、C++运行库未安装或Python版本不匹配等问题。

例如，在Windows系统上，即使pip list显示已安装torch，如果系统缺少Microsoft Visual C++ Redistributable运行库，在真正导入时仍然会抛出OSError: [WinError 126] 找不到指定的模块。再比如，用pip在Conda环境中混装了不兼容的包，列表里虽然有记录，但运行时无法加载底层二进制文件。因此，查看包列表只能作为辅助手段，真正的检验必须在Python解释器里实际导入并运行张量计算。

三、基础检验：验证模块导入与基础张量计算

确认终端处于目标环境后，可以直接在终端运行一行命令，或者进入Python交互式环境（输入python回车），测试torch模块能否正常导入并生成随机张量。

终端命令（单行快速检验）：

python -c "import torch; x = torch.rand(2, 3); print('PyTorch版本:', torch.__version__); print(x)"

示例输出（版本号与随机数值会随实际安装版本变化）：

PyTorch版本: 2.x.x+cu121
tensor([[0.3821, 0.7145, 0.1092],
        [0.8410, 0.2563, 0.6319]])

观察这段输出可以获取两个关键信息：

版本号与构建后缀：torch.__version__会输出具体版本。如果版本号带有+cpu后缀（如2.x.x+cpu），说明当前安装的是纯CPU版本；如果带有+cu118、+cu121等后缀，说明安装的是包含对应CUDA运行时的GPU版本；在macOS或通过Conda安装时，有时不带加号后缀，需要结合下一节的命令进一步判断。
底层C++核心库是否正常：torch.rand(2, 3)在底层调用了PyTorch的C++张量引擎（ATen）分配内存并生成2行3列的随机数矩阵。只要能正常打印出tensor([[...]])且没有报错，就证明PyTorch的基础功能在CPU上已经安装成功。

注意：如果你将测试代码保存为本地脚本运行，请不要把文件名命名为torch.py（建议命名为check_pytorch.py）。如果文件名为torch.py，Python在执行import torch时会优先导入你自己的这个脚本文件，导致报出AttributeError: module 'torch' has no attribute '__version__'（或提示循环导入）。

四、硬件加速检验：确认GPU（CUDA或Apple MPS）是否可用

这里同样有一个容易混淆的说法：“只要import torch不报错，就说明GPU版PyTorch安装成功了。”这种说法只在你原本就打算只用CPU运行代码时够用；如果你配备了独立显卡并希望使用GPU训练或推理，import torch不报错并不能说明GPU可用，因为当安装了CPU版PyTorch或者显卡驱动版本过低时，import torch同样不会报错，但在后续调用GPU时会失败或退回CPU运行。

1. 综合检验脚本（同时涵盖CPU、CUDA与MPS）

为了一次性看清当前环境的全部状态，可以在工作目录下新建一个名为check_pytorch.py的文件，写入以下完整检验代码并运行。这段代码不仅检查标志位，还会在检测到的加速设备上实际执行一次矩阵乘法，避免“能识别显卡但架构不兼容（如no kernel image is available for execution on the device）”的隐患。

Python检验脚本（保存为 check_pytorch.py）：

import sys
import torch

print("=== 1. 基础环境与版本信息 ===")
print("Python 解释器路径:", sys.executable)
print("PyTorch 版本:", torch.__version__)

print("\n=== 2. CPU 张量运算测试 ===")
cpu_a = torch.tensor([[1.0, 2.0], [3.0, 4.0]])
cpu_b = torch.tensor([[5.0, 6.0], [7.0, 8.0]])
cpu_res = torch.matmul(cpu_a, cpu_b)
print("CPU 矩阵乘法结果所在设备:", cpu_res.device)
print("CPU 计算结果:\n", cpu_res)

print("\n=== 3. 硬件加速设备测试 ===")
if torch.cuda.is_available():
    print("CUDA 是否可用: True")
    print("PyTorch 内置 CUDA 版本:", torch.version.cuda)
    print("可用 GPU 数量:", torch.cuda.device_count())
    print("当前 GPU 型号:", torch.cuda.get_device_name(0))
    gpu_a = cpu_a.to("cuda")
    gpu_b = cpu_b.to("cuda")
    gpu_res = torch.matmul(gpu_a, gpu_b)
    print("GPU 矩阵乘法成功，结果所在设备:", gpu_res.device)
elif hasattr(torch.backends, "mps") and torch.backends.mps.is_available():
    print("Apple MPS 是否可用: True")
    mps_a = cpu_a.to("mps")
    mps_b = cpu_b.to("mps")
    mps_res = torch.matmul(mps_a, mps_b)
    print("MPS 矩阵乘法成功，结果所在设备:", mps_res.device)
else:
    print("未检测到可用的 CUDA 或 MPS 加速设备，当前仅使用 CPU 运行。")

在终端执行python check_pytorch.py后，对照下方示例输出判断结果：

示例输出（以配备 NVIDIA GPU 且安装成功的环境为例）：

=== 1. 基础环境与版本信息 ===
Python 解释器路径: C:\Users\username\miniconda3\envs\pytorch_env\python.exe
PyTorch 版本: 2.x.x+cu121

=== 2. CPU 张量运算测试 ===
CPU 矩阵乘法结果所在设备: cpu
CPU 计算结果:
 tensor([[19., 22.],
        [43., 50.]])

=== 3. 硬件加速设备测试 ===
CUDA 是否可用: True
PyTorch 内置 CUDA 版本: 12.1
可用 GPU 数量: 1
当前 GPU 型号: NVIDIA GeForce RTX 4060
GPU 矩阵乘法成功，结果所在设备: cuda:0

2. 如何对照输出判断安装是否符合预期

如果你只需要CPU版：看到第1、2部分正常输出[[19., 22.], [43., 50.]]，且第3部分提示当前仅使用CPU运行，即代表安装成功。
如果你安装了NVIDIA GPU版：除了CUDA 是否可用为True并显示出正确的显卡型号外，最后一行输出结果所在设备: cuda:0，说明显存分配与CUDA核函数调用全部正常。
如果你使用的是搭载M系列芯片的Mac：看到Apple MPS 是否可用: True且结果所在设备为mps:0，即说明Apple Metal图形加速已正常工作。

五、检验未通过时的常见现象与排查方法

如果在运行上述检验代码时遇到报错，或者输出结果与预期不符，可以按照以下四类常见表现逐一核对原因。

检验时的异常表现	主要原因	解决与确认方法
报错 `ModuleNotFoundError: No module named 'torch'`	当前运行的Python解释器与安装PyTorch时的环境不一致（例如安装在Conda环境，却在系统默认Python或未切换内核的Jupyter中运行）。	在终端与IDE中分别运行 `import sys; print(sys.executable)`，将IDE或Jupyter的解释器切换为安装PyTorch的那个`python`路径。
电脑有NVIDIA显卡，但 `torch.cuda.is_available()` 返回 `False`	1. 误装了`+cpu`后缀的PyTorch安装包； 2. 系统NVIDIA显卡驱动版本过低，不支持当前PyTorch内置的CUDA版本。	先看 `torch.__version__` 与 `torch.version.cuda`。若后者为 `None`，说明装成了CPU版，需卸载后按PyTorch官网命令重装GPU版；若不为`None`，运行`nvidia-smi`检查并升级显卡驱动。
在终端检验通过，但在 VS Code / PyCharm / Jupyter Notebook 中导入失败	编辑器绑定的Python解释器（Interpreter）或Jupyter Kernel仍指向旧环境。	在VS Code右下角或PyCharm设置中重新选择虚拟环境下的`python`可执行文件；在Jupyter中切换Kernel并重启内核后再运行检验代码。
Windows下导入时报错 `OSError: [WinError 126] 找不到指定的模块`（如 `fbgemm.dll` 或 `c10.dll`）	系统缺少Visual C++运行库或OpenMP动态链接库。	前往微软官方下载并安装最新的 Microsoft Visual C++ Redistributable（x64版本），安装完成后重启终端再次执行检验脚本。

六、检验流程与判断标准总结

完成PyTorch安装后，按照“核对解释器路径 → 导入模块看版本 → 运行张量计算 → 验证目标硬件后端”的顺序执行一遍check_pytorch.py，只需不到一分钟就能全面排除环境错位、CPU/GPU包混淆以及动态库缺失问题。下图汇总了完整的核对路径与判断依据，方便在配置新环境时快速对照。