手里有一块AMD显卡，想跑PyTorch，第一反应往往是"能不能用"。答案是能，前提是把ROCm这套东西装对。ROCm是AMD的GPU计算平台，专门用来在AMD显卡上做高性能计算和机器学习。PyTorch本身是开源框架，用来搭建和训练机器学习模型，尤其是深度神经网络。问题出在依赖配置上——手动装一遍ROCm版的PyTorch，环境变量、驱动版本、编译选项，任何一环出错都会卡住。所以更省事的做法是先跑一个预构建的容器，ROCm版的PyTorch容器把PyTorch和依赖都配好了，开箱即用，不用自己折腾。

这篇走两条路：先在容器里把GPU加速跑通，再回到宿主机上用Pip直接装一遍，两边都验证。动手之前，服务器上得先装好Docker，并且开启ROCm的GPU支持，这一步没做，后面的命令都会失败。

打开网易新闻 查看精彩图片

容器路线：拉镜像、跑起来、验GPU

第一步，拉取支持ROCm的PyTorch容器：docker pull rocm/pytorch:latest。第二步，跑一个临时容器，这条命令的关键在于把GPU设备暴露给容器：docker run --rm -it --device=/dev/kfd --device=/dev/dri --security-opt seccomp=unconfined --shm-size 8G rocm/pytorch:latest。其中 /dev/kfd 和 /dev/dri 是ROCm工作负载必须访问的两个GPU设备节点，少了它们，容器里看不到显卡。

第三步，在容器内验证GPU是否可用，跑两条命令：rocm-smi 和 python3 -c 'import torch; print(torch.cuda.is_available())'。第一条会列出所有可用设备及其规格信息，第二条如果GPU可用，会打印 true。看到true，说明容器这条路通了。第四步，退出并销毁这个临时容器：exit。因为启动时带了 --rm 参数，退出即清理，不会在机器上留下垃圾。

宿主机路线：用Pip直接装

容器适合快速验证，但如果要在宿主机上长期开发，直接装一份更顺手。先去PyTorch的Start Locally页面选安装选项，按这个组合来：PyTorch Build选Stable，Your OS选Linux，Package选Pip，Language选Python，Compute Platform选ROCm。页面会生成一条对应的安装命令，复制到终端里执行就行。

下载过程中如果遇到超时，有两个处理办法：给安装命令加上 --timeout 参数并设一个合适的值；或者加 --no-cache-dir 参数，忽略掉不完整或损坏的缓存文件，从头重新下载。装完之后同样验证一遍：python3 -c 'import torch; print(torch.cuda.is_available())'。GPU可用的话，输出同样是 true。

两条路走完，得到什么

容器路线的价值在于隔离和可移植。一个预构建的镜像把PyTorch和ROCm的依赖关系固定下来，换台机器拉同一个镜像，行为一致，适合做验证、跑一次性任务，或者不想污染宿主机环境的时候。宿主机路线的价值在于日常开发，装好之后不用每次进容器，编辑器、调试器、本地文件系统都能直接用。两条路最后都指向同一个验证动作：torch.cuda.is_available() 返回true。这个函数名里带的是cuda，但在ROCm平台上它检测的是AMD GPU——这是PyTorch为了兼容性保留的命名，别被名字骗了。