Ubuntu机器学习框架部署（手把手教你从零搭建TensorFlow与PyTorch开发环境）

第一步：更新系统并安装基础依赖

打开终端（Ctrl+Alt+T），首先确保系统是最新的，并安装必要的工具：

sudo apt updatesudo apt upgrade -ysudo apt install -y python3 python3-pip python3-venv git curl

第二步：创建Python虚拟环境（推荐）

使用虚拟环境可以避免包冲突，是专业开发的最佳实践：

# 创建名为ml_env的虚拟环境python3 -m venv ml_env# 激活虚拟环境source ml_env/bin/activate# 升级pippip install --upgrade pip

激活后，你的命令行提示符前会显示 (ml_env)，表示当前处于该环境中。

第三步：安装TensorFlow（CPU版本）

如果你没有NVIDIA GPU或暂时不需要GPU加速，可先安装CPU版本的TensorFlow：

pip install tensorflow

验证安装是否成功：

python -c "import tensorflow as tf; print(tf.__version__)"

如果输出版本号（如 2.15.0），说明 TensorFlow安装教程 已成功完成！

第四步：安装PyTorch（CPU版本）

同样地，我们先安装CPU版本的PyTorch。访问 PyTorch官网 获取最新安装命令，通常如下：

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

验证PyTorch是否安装成功：

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

输出应包含PyTorch版本号，并显示 False（因为是CPU版本）。至此，PyTorch环境配置 完成！

第五步（可选）：启用GPU加速（需NVIDIA显卡）

如果你有NVIDIA GPU，并已安装驱动，可安装CUDA工具包以启用GPU加速：

# 安装CUDA Toolkit（以Ubuntu 22.04为例）sudo apt install -y nvidia-cuda-toolkit# 安装cuDNN（需注册NVIDIA开发者账号下载deb包）# 此处略去详细步骤，建议参考官方文档# 安装GPU版TensorFlowpip uninstall tensorflowpip install tensorflow[and-cuda]# 安装GPU版PyTorchpip uninstall torch torchvision torchaudiopip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意：GPU版本对驱动和CUDA版本有严格要求，请务必查阅官方兼容性表格。

总结

通过本教程，你已经成功在Ubuntu系统上完成了Ubuntu机器学习框架部署的核心步骤。无论是进行学术研究还是工业级Linux深度学习开发，这套环境都能为你提供坚实的基础。后续你可以尝试运行经典模型（如MNIST图像分类）、使用Jupyter Notebook进行交互式开发，或集成到更大的AI项目中。

记住：保持系统和库的更新，善用虚拟环境管理不同项目，是成为一名高效AI开发者的不二法门。祝你在机器学习的道路上越走越远！