X86架构CPU下Ubuntu系统环境源码编译pytorch-gpu-2.0.1版本

本文操作步骤与 aarch64架构CPU下Ubuntu系统环境源码编译pytorch-gpu-2.0.1版本大致相同，只是CPU架构不同而已，因此这里只记录不同的地方。

重点：

一个个人心得，那就是要编译pytorch源码最好是选择docker环境，因为这种环境下配置比较纯净，一定要避免那种自己使用多年的Linux系统，那种使用多年的老系统中各种配置都比较混乱，如果这么使用往往导致最好编译pytorch源码的失败。

一定要使用docker镜像环境进行pytorch源码编译！！！

---------------------------------------------------------------------------------------

编译的系统环境：

docker镜像这里的选择为：(可选docker镜像列表：https://gitlab.com/nvidia/container-images/cuda/blob/master/doc/supported-tags.md)

命令：（参考：如何拉取指定CPU架构并且指定ubuntu版本并且指定cuda和cudnn版本的docker镜像）

docker pull --platform=linux/x86_64 nvidia/cuda:12.1.1-devel-ubuntu22.04

源码下载方法建议使用代理（跳墙）：

参考：git clone 如何通过proxy进行远程代码仓库拷贝下载

（至于怎么找proxy站点这个实在无法言说）

anaconda环境下编译，安装相关依赖：

conda install cmake ninja
# Run this command from the PyTorch directory after cloning the source code using the “Get the PyTorch Source“ section below
pip install -r requirements.txt

(性能加速组件，可选择性安装)（对应的版本是否存在需要参考：https://anaconda.org/pytorch/repo）

conda install mkl mkl-include
# CUDA only: Add LAPACK support for the GPU if needed
conda install -c pytorch magma-cuda121  # or the magma-cuda* that matches your CUDA version from https://anaconda.org/pytorch/repo

# (optional) If using torch.compile with inductor/triton, install the matching version of triton
# Run from the pytorch directory after cloning
make triton

编译：

export CMAKE_PREFIX_PATH=${CONDA_PREFIX:-"$(dirname $(which conda))/../"}
python setup.py develop

打包：

pip wheel .

===============================================

执行完打包命令后在源码目录下找到编译后的文件：

安装：

运行报错：

ImportError: /root/anaconda3/lib/./libstdc++.so.6: version `GLIBCXX_3.4.30' not found (required by /root/anaconda3/lib/python3.11/site-packages/torch/lib/libtorch_python.so)