在当今人工智能飞速发展的时代，深度学习已成为热门技术。而RockyLinux作为一款稳定、免费且兼容RHEL的企业级Linux发行版，非常适合用于搭建高性能的深度学习开发环境。本教程将面向完全的小白用户，一步步教你如何在RockyLinux上配置主流的深度学习框架——PyTorch，并确保你能顺利运行你的第一个神经网络模型。
一、准备工作：更新系统并安装基础依赖
首先，请确保你使用的是RockyLinux 8或9版本（推荐RockyLinux 9）。打开终端，执行以下命令更新系统：
sudo dnf update -ysudo dnf install -y git wget curl gcc gcc-c++ make epel-release
接着，我们需要安装Python 3.9或更高版本（RockyLinux 9默认已包含Python 3.9）：
sudo dnf install -y python3 python3-pip python3-develpip3 install --upgrade pip
二、创建虚拟环境（推荐）
为了避免包冲突，建议使用Python虚拟环境：
python3 -m venv dl_envsource dl_env/bin/activate
激活后，命令行前缀会显示
(dl_env)，表示你已进入该虚拟环境。
三、安装PyTorch深度学习框架
PyTorch是目前最流行的深度学习框架之一，支持GPU加速。我们先判断是否使用NVIDIA GPU：
如果你有NVIDIA显卡并已安装驱动（可通过nvidia-smi命令验证），请安装带CUDA支持的PyTorch。 如果没有GPU或仅用于学习，可安装CPU版本。
✅ 安装CPU版本（适合初学者）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
✅ 安装GPU版本（需CUDA 11.8）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
四、验证安装是否成功
在Python中运行以下代码测试PyTorch是否正常工作：
python3 -c "import torchprint('PyTorch版本:', torch.__version__)print('CUDA可用:', torch.cuda.is_available())if torch.cuda.is_available(): print('GPU数量:', torch.cuda.device_count()) print('当前GPU:', torch.cuda.get_device_name(0))" 如果输出类似
PyTorch版本: 2.1.0且
CUDA可用: True（或False，若为CPU版），说明安装成功！
五、运行你的第一个深度学习程序
创建一个简单的神经网络测试脚本
test_net.py：
import torchimport torch.nn as nn# 定义一个简单线性模型model = nn.Linear(10, 1)# 创建随机输入数据x = torch.randn(5, 10)# 前向传播output = model(x)print("输入形状:", x.shape)print("输出形状:", output.shape)print("运行成功！恭喜你完成RockyLinux深度学习环境配置！") 然后在终端运行：
python3 test_net.py
六、常见问题与SEO关键词总结
如果你遇到权限问题，请勿使用
sudo pip；若网络慢，可考虑更换pip源（如清华源）。此外，本文涵盖的SEO关键词包括： RockyLinux深度学习环境配置 RockyLinux安装PyTorch 深度学习框架搭建教程 Linux小白深度学习入门
通过本教程，你应该已经成功在RockyLinux上搭建了完整的深度学习开发环境。下一步可以尝试学习PyTorch官方教程或部署经典模型如ResNet、BERT等。
祝你在深度学习的道路上越走越远！
