如何查看已安装的PyTorch版本？

Question

如何在Python环境中正确查看已安装的PyTorch版本？常见问题包括使用`import torch`后执行`torch.__version__`时出现`AttributeError`或`ModuleNotFoundError`，可能由于PyTorch未正确安装或环境配置错误。此外，在虚拟环境或conda环境中误用pip安装可能导致版本不一致。如何确保在Jupyter Notebook或脚本中准确获取PyTorch版本，并区分CPU与GPU版本？

Answer 1

1. 基础：查看PyTorch版本的标准方法

在Python环境中，最直接查看已安装的PyTorch版本的方式是通过导入torch模块并访问其__version__属性：

import torch
print(torch.__version__)

该命令将输出类似2.0.1或1.13.1+cu117的版本字符串。若执行此代码时出现ModuleNotFoundError: No module named 'torch'，说明PyTorch未安装或未在当前Python环境中正确配置。

2. 进阶：排查ModuleNotFoundError的常见原因

当遇到ModuleNotFoundError时，需检查以下几点：

• 确认是否安装了PyTorch：使用pip list | grep torch（Linux/macOS）或pip list后手动查找（Windows）。
• 检查当前Python环境：特别是在使用virtualenv、venv或conda时，确保你在正确的环境中运行Python解释器。
• 避免跨环境安装：例如，在激活的conda环境中使用系统级pip而非conda install可能导致包不可见。

推荐使用以下命令统一管理安装源：

# 在conda环境中优先使用conda
conda install pytorch torchvision torchaudio -c pytorch

# 或使用pip（确保pip属于当前环境）
python -m pip install torch torchvision torchaudio

3. 深入：解决AttributeError与版本兼容性问题

虽然torch.__version__是标准接口，但在极少数情况下（如部分开发版或损坏安装），可能出现AttributeError。此时可尝试以下替代方案：

方法	代码示例	适用场景
标准方式	torch.__version__	绝大多数情况
distutils解析	import pkg_resources; pkg_resources.get_distribution("torch").version	当模块加载异常时备用
pip show命令	!pip show torch（Jupyter中）	脚本外快速验证

4. 实践：在Jupyter Notebook中确保环境一致性

Jupyter Notebook可能运行在与终端不同的Python内核上，导致即使已安装PyTorch仍无法导入。解决方案如下：

1. 检查当前Notebook使用的内核：!which python 或 import sys; print(sys.executable)
2. 确认该路径下的site-packages包含torch：!ls $(python -c "import site; print(site.getsitepackages()[0])") | grep torch
3. 若不一致，重新安装IPython内核：python -m ipykernel install --user --name=myenv

import sys
print("Python executable:", sys.executable)
print("Python version:", sys.version)

5. 高级：区分CPU与GPU版本的PyTorch

PyTorch的版本号通常会包含编译信息以指示是否支持CUDA。可通过以下方式判断：

import torch
print("PyTorch Version:", torch.__version__)
print("CUDA Available:", torch.cuda.is_available())
print("CUDA Version:", torch.version.cuda)
print("cuDNN Version:", torch.backends.cudnn.version())

输出示例如下：

• 1.13.1+cu117 表示为CUDA 11.7编译的版本（GPU支持）
• 2.0.1 无后缀通常为CPU版本

此外，可通过torch.device进一步验证可用设备：

device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using device: {device}")

6. 架构级思考：构建可复现的PyTorch环境流程图

为避免版本混乱和环境冲突，建议采用标准化部署流程：

graph TD A[确定项目需求] --> B{需要GPU支持?} B -->|是| C[从PyTorch官网获取CUDA匹配的安装命令] B -->|否| D[安装CPU版本] C --> E[使用conda或pip在隔离环境中安装] D --> E E --> F[验证torch.__version__和torch.cuda.is_available()] F --> G[注册Jupyter内核（如需）] G --> H[完成环境配置]