Главная/ИИ/PyTorch

Установка PyTorch и TensorFlow на сервер с видеокартой

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.

4 мин чтенияДанные проверены 16 октября 2026

Ответ за 30 секунд

На сервер с GPU ставьте драйвер NVIDIA и PyTorch из pip со сборкой cu132 (драйвер 580+) или cu126 для старых драйверов. TensorFlow держите в отдельном виртуальном окружении: у двух фреймворков свои требования к версиям Python и библиотек.

Карты от Tesla T4 на 16 ГБ до H100 на 80 ГБ, почасовая оплата.

Что нужно серверу перед установкой PyTorch

Инструмент · 1 мин

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.

  1. Проверьте драйвер командой nvidia-smi. Если её нет, поставьте драйвер по инструкции установки CUDA.
  2. Создайте виртуальное окружение: python3 -m venv ~/venv-torch и source ~/venv-torch/bin/activate. Системный Python в свежих Ubuntu запрещает ставить пакеты pip глобально.
  3. Проверьте версию Python: PyTorch просит 3.10 или новее.

Нужна ли видеокарта под PyTorch

Опишите задачу, и калькулятор подскажет: обычный сервер или GPU

Что будете делать
Сколько данных
Какие фреймворки

02 · 1 мин

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.

# сборка под CUDA 13.2, нужен драйвер ветки 580 и новее
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu132

# сборка под CUDA 12.6 для серверов со старым драйвером
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu126

# только процессор
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cpu

Проверка, что PyTorch видит карту:

python3 -c "import torch; print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0))"

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. Карты на архитектуре Pascal сборкой cu132 не поддерживаются, потому что CUDA 13 убрала эту архитектуру.

03 · 1 мин

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:

python3 -m venv ~/venv-tf && source ~/venv-tf/bin/activate
python3 -m pip install 'tensorflow[and-cuda]'
python3 -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"

Пустой список в ответе означает, что TensorFlow карту не нашёл. Для серверов без GPU есть пакет tensorflow-cpu. На ARM64-серверах сборки для процессора выпускает AWS: команда pip install tensorflow поставит их пакет автоматически.

Два фреймворка в одном окружении

PyTorch и TensorFlow тянут свои версии библиотек CUDA и cuDNN. В одном окружении они конфликтуют, и ошибка проявится не при установке, а при первом запуске на GPU.

04 · 1 мин

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:

docker run --rm -it --gpus all -v $PWD:/work -w /work pytorch/pytorch python3 train.py

Код и данные подключайте томом, как в примере: всё, что записано внутри контейнера без тома, исчезнет после его удаления. Для экспериментов с блокнотами то же окружение удобно открыть в Jupyter, а результаты обучения складывать в MLflow.

05 · 1 мин

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. Карта на 16 ГБ подходит для дообучения небольших моделей, на 24 ГБ для LoRA средних языковых моделей, а A100 и H100 на 80 ГБ берут для полноценного обучения. Какие карты доступны и как устроена оплата: аренда видеокарты.

06 · 1 мин

Вопросы об установке PyTorch и TensorFlow#

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.

Почему этому можно верить

Как мы проверяли

Требования из документацииРесурсы, порты и команды сверены с официальной документацией, дата проверки указана.
Всё можно повторитьКоманды и расчёты описаны так, что их повторит любой читатель.
Независимый справочникНе связан с разработчиками приложений и провайдерами и пишет о минусах тоже.

Источники цифр на этой странице: VPS и VDS серверы Таймвеб Клауд, timeweb.cloud/services/vds-vps, проверено 14 октября 2026; Серверы с GPU Таймвеб Клауд, timeweb.cloud/services/gpu, проверено 14 октября 2026; NVIDIA: CUDA Toolkit Release Notes (версии и драйверы), docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html, проверено 14 октября 2026; NVIDIA: CUDA 13.0 Release Notes (снятие поддержки Maxwell, Pascal, Volta и Ubuntu 20.04), docs.nvidia.com/cuda/archive/13.0.0/cuda-toolkit-release-notes/index.html, проверено 14 октября 2026; NVIDIA Container Toolkit: установка и настройка Docker, docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html, проверено 15 октября 2026; PyTorch: Get Started (стабильная версия, сборки pip), pytorch.org/get-started/locally, проверено 15 октября 2026; TensorFlow: установка через pip, tensorflow.org/install/pip, проверено 15 октября 2026.

SBРедакция SelfBase · обновлено 16 октября 2026

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
Подготовка

Что посмотреть дальше

Установка CUDAДрайвер и совместимость JupyterБлокноты на сервере MLflowУчёт экспериментов Аренда видеокартыGPU под обучение