Установка PyTorch и TensorFlow на сервер с видеокартой: коротко и с данными
Конспект страницы: 6 разделов коротко, данные на 14 октября 2026 и ответы на 4 вопроса. Полный разбор с примерами: Установка PyTorch и TensorFlow на сервер с видеокартой.
Коротко
Установка PyTorch на сервер с видеокартой делается одной командой pip с адресом сборки под нужную CUDA, отдельный CUDA Toolkit для этого не нужен. На 14 октября 2026 стабильная версия 2.14.1 и она требует Python 3.10 или новее, а TensorFlow ставится пакетом с суффиксом and-cuda. На сервер с GPU ставьте драйвер NVIDIA и PyTorch из pip со сборкой cu132 (драйвер 580+) или cu126 для старых драйверов.
Конспект по разделам
Что нужно серверу перед установкой PyTorch
PyTorch и TensorFlow: две основные библиотеки для обучения и запуска нейросетей на Python. Обеим для работы на видеокарте нужен только драйвер NVIDIA на хосте: библиотеки CUDA приезжают вместе с пакетами pip. Опишите задачу, и калькулятор подскажет: обычный сервер или GPU
- Проверьте драйвер командой nvidia-smi.
- Создайте виртуальное окружение: python3 -m venv ~/venv-torch и source ~/venv-torch/bin/activate.
- Проверьте версию Python: PyTorch просит 3.10 или новее.
Установка PyTorch с CUDA через pip
Сборки PyTorch различаются адресом индекса пакетов. Для Linux конфигуратор на pytorch.org предлагает варианты под CUDA 12.6 и 13.2, а также сборку только для процессора. Проверка, что PyTorch видит карту: Если ответ False, сравните драйвер и сборку: CUDA 13.x требует драйвер ветки 580 и новее, для CUDA 12.6 GA минимальный драйвер 560.28.03.
Установка TensorFlow с GPU на Ubuntu
TensorFlow поддерживает Python 3.9-3.12, поэтому ему часто нужно своё окружение с другой версией Python, чем у PyTorch. Видеокарту на Linux он получает через пакет с библиотеками CUDA: Пустой список в ответе означает, что TensorFlow карту не нашёл. Для серверов без GPU есть пакет tensorflow-cpu.
PyTorch и TensorFlow в Docker на сервере с GPU
Контейнер удобен, когда проекту нужна конкретная версия фреймворка, а на сервере живёт несколько проектов. Обе команды публикуют образы на Docker Hub: pytorch/pytorch и tensorflow/tensorflow. Чтобы контейнер увидел карту, на хосте нужен NVIDIA Container Toolkit, а в команде запуска флаг --gpus all: Код и данные подключайте томом, как в примере: всё, что записано внутри контейнера без тома, исчезнет после его удаления.
Какой сервер нужен для обучения на PyTorch
Для учебных примеров и небольших моделей на табличных данных хватает обычного VPS: процессор справится, только медленнее. Как только речь о картинках, тексте и трансформерах, обучение на процессоре растягивается с часов на дни, и выгоднее арендовать видеокарту на время обучения. Объём видеопамяти определяет размер батча и модели.
Возьмите сервер с видеокартой под модель
Облачный GPU-сервер запускается за 1-2 минуты, оплата почасовая.
- RTX 4090, A5000, A6000, A100, H100
- От 1 до 4 карт на сервер
- Почасовая оплата
- Дата-центры уровня Tier III
Вопросы и ответы
Нужно ли ставить CUDA Toolkit для PyTorch?
Нет. Пакеты PyTorch из pip приносят библиотеки CUDA с собой, на сервере нужен только драйвер NVIDIA подходящей версии.
Какой Python нужен для PyTorch и для TensorFlow?
Стабильный PyTorch требует Python 3.10 или новее, TensorFlow поддерживает 3.9-3.12. Удобно держать их в разных виртуальных окружениях.
Почему torch.cuda.is_available() возвращает False?
Две типичные причины: установлена сборка для процессора или драйвер старее, чем требует сборка. Для cu132 нужен драйвер ветки 580 и новее.
Как установить TensorFlow с поддержкой GPU?
На Linux командой pip install с пакетом tensorflow[and-cuda] внутри виртуального окружения, затем проверить список устройств GPU в Python.