2025년 현재, 딥러닝 연구와 개발의 핵심 프레임워크인 PyTorch는 그 유연성과 속도로 인해 많은 사용자들에게 사랑받고 있습니다. 특히 GPU를 활용한 병렬 처리는 대규모 모델 훈련에 필수적이며, 이를 위해서는 NVIDIA의 CUDA 툴킷이 정확하게 설치되어야 합니다. 이 가이드에서는 2025년 최신 버전의 PyTorch와 CUDA를 성공적으로 설치하고 딥러닝 환경을 설정하는 완벽한 방법을 상세히 안내합니다. 환경 설정의 어려움으로 고민하는 초보자부터 최적의 환경을 구축하려는 숙련자까지 모두에게 도움이 될 것입니다.
📚 함께 읽으면 좋은 글
🚀 PyTorch 설치 전 필수 준비물 및 환경 요구사항 보기
PyTorch를 설치하기 전에 몇 가지 필수적인 준비물과 환경 요구사항을 충족해야 합니다. 특히 GPU 가속을 사용하려면 NVIDIA 그래픽 카드와 이에 맞는 CUDA 버전을 준비하는 것이 중요합니다.
- NVIDIA GPU 카드: 딥러닝 가속을 위해서는 NVIDIA GeForce, Quadro, 또는 Tesla 계열의 그래픽 카드가 필요합니다.
- CUDA 툴킷: PyTorch 버전과 호환되는 CUDA 툴킷이 설치되어 있어야 합니다. NVIDIA 공식 웹사이트에서 확인이 가능하며, PyTorch 공식 웹사이트에서 권장하는 버전을 확인하는 것이 가장 안전합니다.
- 드라이버: 최신 버전의 NVIDIA 그래픽 드라이버가 설치되어 있어야 합니다.
- Python 환경: Anaconda 또는 Miniconda를 사용하여 격리된 Python 가상 환경을 구축하는 것을 강력히 권장합니다. 이는 프로젝트별 종속성 충돌을 방지하는 가장 좋은 방법입니다.
2024년에는 PyTorch가 비교적 최신 CUDA 버전을 빠르게 지원하기 시작했으며, 2025년 현재는 대부분의 최신 버전이 안정적으로 통합되어 있습니다. 하지만 안정성을 위해 PyTorch 공식 설치 페이지에서 제시하는 권장 CUDA 버전을 따르는 것이 최신 트렌드입니다.
💻 Windows/Linux 운영체제별 CUDA 툴킷 및 드라이버 설치 상세 더보기
CUDA 툴킷 설치는 운영체제(OS)에 따라 절차가 조금 다릅니다. 설치 전 반드시 현재 사용 중인 NVIDIA 드라이버가 최신 상태인지 확인해야 합니다.
✅ Windows 환경에서 CUDA 설치 확인하기
Windows 환경에서는 NVIDIA 공식 웹사이트에서 다운로드한 설치 파일을 실행하여 GUI 환경에서 쉽게 설치할 수 있습니다. 중요한 것은 PyTorch가 요구하는 특정 CUDA 버전(예: CUDA 11.8 또는 12.1)을 정확히 선택하여 설치하는 것입니다. 사용자 지정 설치를 통해 불필요한 구성 요소를 제외하고 ‘CUDA Development’ 구성 요소만 선택할 수도 있습니다.
✅ Linux 환경에서 CUDA 설치 확인하기
Linux (특히 Ubuntu) 환경에서는 .deb 또는 .run 파일을 사용하거나, 패키지 관리자 (APT)를 통해 설치할 수 있습니다. 터미널 명령어를 사용하므로 Windows보다 조금 복잡할 수 있으나, 시스템 안정성 측면에서 선호되는 방식입니다. 설치 후에는 환경 변수(PATH 및 LD_LIBRARY_PATH) 설정이 필수적입니다. 일반적으로 ~/.bashrc 또는 ~/.zshrc 파일에 다음 줄을 추가합니다 (버전 경로는 설치된 버전에 맞게 수정):
export PATH=/usr/local/cuda-xx.x/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-xx.x/lib64:$LD_LIBRARY_PATH🔧 Python 가상 환경 설정과 PyTorch GPU 버전 설치 보기
CUDA 설치가 완료되면, 이제 Python 가상 환경을 설정하고 PyTorch를 설치할 차례입니다. Conda를 사용하는 것이 가장 일반적이고 권장되는 방법입니다.
➡️ Conda 가상 환경 생성 및 활성화 확인하기
다음 명령어로 my_pytorch_env라는 이름의 새로운 가상 환경을 생성하고 활성화합니다:
conda create -n my_pytorch_env python=3.10 conda activate my_pytorch_env➡️ PyTorch 공식 명령어를 사용한 설치 상세 더보기
PyTorch 설치의 핵심은 PyTorch 공식 웹사이트의 ‘Get Started Locally’ 섹션에서 제공하는 명령어를 사용하는 것입니다. 이 명령어는 OS, 패키지 관리자(Conda 또는 Pip), Python 버전, 그리고 설치된 CUDA 버전에 맞춰 자동으로 생성됩니다. 예를 들어, Conda와 CUDA 12.1을 사용하는 경우 다음과 유사한 명령어를 사용합니다:
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidiaPip을 사용하는 경우에도 유사하게 CUDA 버전을 명시하여 설치할 수 있습니다. 버전 호환성 문제 없이 PyTorch와 CUDA를 연결하는 가장 확실한 방법은 공식 웹사이트의 설치 명령어를 따르는 것입니다.
⭐ PyTorch 설치 후 GPU CUDA 연동 테스트 확인하기
PyTorch 설치가 완료되었다면, GPU와 CUDA가 프레임워크와 제대로 연동되었는지 확인하는 것이 매우 중요합니다. Python 인터프리터에서 다음 코드를 실행하여 테스트할 수 있습니다.
import torch print(f"PyTorch Version: {torch.version}") print(f"CUDA Available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"CUDA Version: {torch.version.cuda}") print(f"GPU Name: {torch.cuda.get_device_name(0)}") print(f"Number of GPUs: {torch.cuda.device_count()}") # GPU에 텐서 생성 테스트 x = torch.tensor([1.0, 2.0]).cuda() print(f"Tensor on GPU: {x}") else: print("GPU is not available. Check CUDA and driver installation.")torch.cuda.is_available()의 결과가True여야 성공입니다.torch.version.cuda는 설치된 PyTorch가 컴파일된 CUDA 버전과 일치해야 합니다.- 성공적으로 텐서가 GPU 메모리에 생성되는지 확인합니다.
만약 False가 나오거나 오류가 발생한다면, NVIDIA 드라이버, CUDA 툴킷, 그리고 PyTorch-CUDA 버전 간의 호환성을 다시 한번 점검해야 합니다. 특히 2025년에는 PyTorch가 더 많은 최신 GPU 아키텍처를 지원하므로, 버전 선택에 신중해야 합니다.
📌 추가로 참고할 만한 글
❓ 자주 묻는 질문 (FAQ)
| 질문 | 답변 |
|---|---|
| Q1. CUDA와 PyTorch 버전 호환성은 어떻게 확인하나요? | A. PyTorch 공식 웹사이트의 ‘Get Started Locally’ 페이지에서 OS, 패키지 관리자 등을 선택하면, 해당 PyTorch 버전에 최적화된 CUDA 버전을 자동으로 알려줍니다. 설치된 CUDA 버전과 이 권장 버전을 일치시키는 것이 가장 중요합니다. |
| Q2. CUDA를 설치했는데도 GPU가 인식되지 않아요. | A. 대부분 NVIDIA 드라이버가 최신이 아니거나, PyTorch 설치 시 CPU 버전(-c pytorch만 사용)으로 잘못 설치했거나, 환경 변수(Linux의 경우) 설정이 누락되었을 가능성이 높습니다. 드라이버 업데이트 후 PyTorch를 CUDA 버전과 함께 명시하여 재설치해 보세요. |
| Q3. Conda 가상 환경을 사용하는 이유가 무엇인가요? | A. Conda는 프로젝트별로 독립적인 Python 환경을 구축하여 라이브러리 간의 버전 충돌을 방지하고, 프로젝트를 다른 시스템으로 이전할 때 환경을 쉽게 복제할 수 있게 해줍니다. 딥러닝 환경 설정의 표준적인 모범 사례입니다. |
이 가이드를 통해 PyTorch와 CUDA 환경 설정을 성공적으로 마치고, 효율적인 딥러닝 개발을 시작하시기를 바랍니다.