PyTorch unter Debian 12 mit pip oder Anaconda installieren

PyTorch ist ein Open-Source-Framework für Tensorberechnungen, entwickelt von Meta AI. Es unterstützt sowohl CPU- als auch GPU-Beschleunigung und ist eine beliebte Wahl für die Entwicklung von Deep-Learning-Modellen in Bereichen wie Computer Vision, Verarbeitung natürlicher Sprache und Reinforcement Learning.

Diese Anleitung beschreibt, wie Sie PyTorch unter Debian 12 entweder mit pip oder Anaconda installieren, eine isolierte Python-Umgebung einrichten und die Installation mit einem einfachen Testskript überprüfen.

Voraussetzungen

Bevor Sie beginnen, stellen Sie sicher, dass folgende Bedingungen erfüllt sind:

• Zugriff auf einen Debian-12-Server als Nicht-Root-Benutzer mit sudo-Rechten.

Python-virtuelle Umgebung erstellen

Um Ihr PyTorch-Projekt von Systempaketen zu isolieren und Konflikte zu vermeiden, erstellen Sie eine virtuelle Umgebung mit dem Tool virtualenv.

Überprüfen Sie zunächst, ob Python 3.9 oder neuer installiert ist:

$ python3 --version

Beispielausgabe:

Python 3.11.2

Stellen Sie sicher, dass pip installiert ist:

$ pip --version

Beispielausgabe:

pip 23.0.1 from /usr/lib/python3/dist-packages/pip (python 3.11)

Installieren Sie virtualenv:

$ sudo apt install virtualenv -y

Erstellen Sie eine neue virtuelle Umgebung mit dem Namen pytorch_project_env:

$ virtualenv pytorch_project_env

Aktivieren Sie die virtuelle Umgebung:

$ source pytorch_project_env/bin/activate

Die Shell-Eingabeaufforderung ändert sich und zeigt die aktive Umgebung an:

(pytorch_project_env) linuxuser@centron:~$

pip oder conda – die richtige Wahl treffen

Verwenden Sie pip, wenn Sie eine schlanke virtuelle Umgebung mit virtualenv bevorzugen oder Pakete manuell verwalten möchten.

Verwenden Sie Anaconda, wenn Sie bereits Conda-Umgebungen nutzen oder Zugriff auf ein umfassenderes wissenschaftliches Softwarepaket mit vereinfachter Abhängigkeitsverwaltung benötigen.

Beide Methoden installieren die gleichen PyTorch-Bibliotheken. Wählen Sie die Variante, die am besten zu Ihrem Arbeitsstil passt.

PyTorch mit pip installieren

Um die neueste CPU-Only-Version von PyTorch zu installieren, nutzen Sie das offizielle PyTorch Wheel-Repository. Stellen Sie sicher, dass Ihre virtuelle Umgebung aktiv ist, und führen Sie folgenden Befehl aus:

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

• torch: Kernbibliothek für Tensorberechnungen und Deep Learning.
• torchvision: Werkzeuge und Modelle für Computer Vision.
• torchaudio: Audioverarbeitungs-Tools für Deep-Learning-Anwendungen.

PyTorch mit Anaconda installieren

Anaconda ist eine Python-Distribution mit Conda zur Verwaltung von Paketen und Umgebungen. Mit Conda können Sie PyTorch aus dem offiziellen PyTorch-Kanal installieren.

Falls Anaconda noch nicht installiert ist, befolgen Sie zuerst die Installationsanleitung für Debian 12.

Installieren Sie die CPU-Only-Version von PyTorch:

$ conda install pytorch torchvision torchaudio cpuonly -c pytorch

Bestätigen Sie bei der Nachfrage mit y. Die Ausgabe enthält dann unter anderem:

Downloading and Extracting Packages:
Preparing transaction: done
Verifying transaction: done
Executing transaction: done

Installation überprüfen

Um zu bestätigen, dass PyTorch installiert wurde, starten Sie den Python-Interpreter:

$ python

Beispielausgabe:

Python 3.11.2 (main) [GCC 12.2.0] on linux
Type "help", "copyright", "credits", or "license" for more information.
>>>

Importieren Sie PyTorch:

>>> import torch

Geben Sie die installierte PyTorch-Version aus:

>>> print(torch.__version__)

Beispielausgabe:

2.7.0+cu126

Erstellen Sie einen zufälligen 5x3-Tensor zur Funktionsprüfung:

>>> x = torch.rand(5, 3)
>>> print(x)

Beispielausgabe:

tensor([[0.7363, 0.4839, 0.1370],
        [0.6429, 0.0108, 0.9823],
        [0.8575, 0.9642, 0.5792],
        [0.8951, 0.8762, 0.7949],
        [0.7175, 0.0135, 0.9493]])

Beenden Sie den Interpreter:

>>> exit()

Fazit

Sie haben PyTorch unter Debian 12 erfolgreich mit pip oder Anaconda installiert und die Einrichtung mit einem Testskript bestätigt. Nun können Sie Deep-Learning-Modelle für Anwendungsbereiche wie Computer Vision, Verarbeitung natürlicher Sprache und Reinforcement Learning entwickeln und trainieren.

Weitere Informationen und Ressourcen finden Sie in der offiziellen PyTorch-Dokumentation.