Jittor (计图) 安装不完全踩坑指南

Jittor (计图) 安装不完全踩坑指南 📝

此文记录了我在 Windows 11 和 Linux (VMware, WSL)环境下安装 Jittor (计图) 深度学习框架及配置其运行环境时遇到的一些问题和解决过程。

(叠甲，我先前没有任何安装系统经验，也从没用过Linux，犯了很多低级错误)

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

系统配置信息 💻

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

  • 操作系统: Windows 11 Pro 24H2
  • 机器类型: AMD64
  • 处理器: 13th Gen Intel(R) Core(TM) i9-13900H 2.60 GHz
  • 总内存: 31.73 GB
  • GPU 1: Intel(R) Iris(R) Xe Graphics
  • GPU 2: NVIDIA GeForce RTX 4060 Laptop GPU
  • NVIDIA 驱动版本: 572.83
  • CUDA 版本 (宿主机): 12.8

一、Windows 11 尝试 (失败 ❌)

最初尝试在 Windows 11 上通过新建 Anaconda 虚拟环境来安装 Jittor。

  1. Jittor 自动下载依赖:
    在执行编译步骤前，Jittor 会在缓存文件夹（通常是用户目录下的 .cache/jittor）下自动下载并安装其依赖的 CUDA (特定版本) 和 MSVC (编译器) 文件。这个过程下载了大约 4-5GB 的文件，由于网络速度原因，耗时近半小时。

  2. 编译错误 1: lock.py 不兼容:
    首次编译时，遇到 lock.py 脚本不兼容 Windows 的问题（日志提示引入了 Windows 系统缺失的某个库）。尝试手动修改该文件的 import 语句，但未能解决根本问题。

  3. 编译错误 2: data.cc C2440 错误:
    随后，Jittor 底层 C++ 代码 data.cc 文件在编译时出现 error C2440: 'type cast'。错误信息指出，这是由于将类成员函数指针（例如 jittor::Node::op_info）直接强制转换为普通函数指针所致。C++ 标准不允许这种跨类型转换，通常需要通过 std::function 或静态函数适配器等方式来解决。

    1
    2
    3
    4
    5
    // 示例性质的代码，非真实源码，仅为说明 C2440 错误类型
    // class MyClass { public: void member_func() {} };
    // typedef void (*FuncPtr)();
    // MyClass obj;
    // FuncPtr ptr = (FuncPtr)&MyClass::member_func; // 这会导致 C2440 错误

  4. 小结:
    考虑到直接修改 Jittor 核心 C++ 代码的复杂性和潜在风险，且多次重装 Jittor 均未能解决编译问题，判断可能是 Windows 环境与 Jittor 的兼容性或某些深层配置问题。因此，决定放弃 Windows 平台，转向 Linux 环境。

二、Ubuntu 20.04 (VMware 虚拟机) 尝试 (失败 ❌)

鉴于没有 Linux 使用经验，在朋友的建议和网络教程的帮助下，选择在 VMware Workstation 上安装 Ubuntu 20.04 LTS 虚拟机。

  1. Jittor CPU模式运行成功:
    在虚拟机中按照 Jittor 官方文档步骤安装，Jittor 本身能够成功安装并利用 CPU 进行运算。

  2. GPU 调用失败:
    尝试让 Jittor 调用宿主机的 NVIDIA GPU 时，发现无法识别或使用。经过一番排查（包括尝试使用 .run 文件安装驱动、查看可用驱动列表等），最终发现关键问题：VMware Workstation (Player/非授权 Pro 版) 虚拟机通常不支持对消费级 NVIDIA 显卡进行GPU直通或共享 CUDA 计算能力。 这意味着在我的配置下，虚拟机内的 Ubuntu 无法利用宿主机的 RTX 4060 进行加速。

  3. 小结:
    由于虚拟机无法有效利用 GPU，Jittor 只能在 CPU模式下低效运行，不符合使用需求，因此该方案也宣告失败。

三、WSL (Windows Subsystem for Linux) 探索

在 VMware 尝试失败后，决定转向 WSL。

1. WSL - Ubuntu 24.04 LTS (初次尝试，失败 ❌)

  1. 环境搭建: 在 WSL 中安装了 Ubuntu 24.04 LTS。
  2. 对 WSL GPU 支持的误解:
    配置完 Jittor 后，准备安装 CUDA 及相关驱动。执行 nvidia-smi 命令无响应，错误地以为需要在 WSL 内部也安装一套 NVIDIA 驱动。

    重要提示: WSL2可以直接利用宿主机 Windows 上已正确安装的 NVIDIA 驱动和 CUDA 工具包。通常不需要也禁止在 WSL 发行版内部再次安装 NVIDIA 内核驱动。

  3. CUDA 安装问题:
    在尝试安装 CUDA 时，遇到包依赖问题，例如 dpkg: error: cannot access archive 'libtinfo5_6.3-2_amd64.deb': No such file or directory。这通常是因为 Ubuntu 24.04 的软件源可能不再包含这个较旧版本的 libtinfo5 库，或者需要特定的配置才能找到。
  4. 环境混乱:
    由于在 WSL 内部进行了错误的 NVIDIA 驱动安装尝试，导致 WSL 内的驱动环境变得混乱。
  5. 小结:
    决定删除此 Ubuntu 24.04 WSL 发行版，更换为更稳定且与 Jittor 可能兼容性更好的 Ubuntu 版本。

2. WSL - Ubuntu 22.04 LTS (最终成功 ✅)

  1. Python 版本问题:
    在新的 Ubuntu 22.04 LTS (WSL) 环境中，最初直接使用系统自带或手动安装的 Python 3.9。然而，运行 Jittor 官方安装命令时出现不兼容或报错。

  2. 切换 Python 版本:
    为快速解决，新建了一个 Conda 虚拟环境，并在其中安装了 Python 3.7。

    1
    2
    conda create -n jittor_env python=3.7
    conda activate jittor_env

  3. 安装 Jittor:
    在 Python 3.7 虚拟环境下，按照官方指南安装 Jittor。

    1
    python -m pip install jittor

  4. g++ 版本问题:
    Jittor 在首次运行时会进行编译。此时遇到 g++ 版本过低的问题。

    • 解决方案: 升级 g++。可以通过 apt 安装较新版本的 g++ (例如 g++-9, g++-10 等，具体版本取决于 Jittor 的需求和 Ubuntu 22.04 的软件源)。如果安装了多个版本，可能需要使用 update-alternatives 来设置默认的 g++ 版本。 
      1
      2
      3
      4
      5
      sudo apt update
      sudo apt install g++ # 或者指定版本如 g++-9
      # 如果需要，配置 update-alternatives
      # sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-9 90
      # sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-9 90
    • 同时，确保新版 g++ 的路径被正确添加到了系统环境变量 PATH 中，以便 Jittor 的编译脚本能够找到它。

  5. 编译和测试:
    解决 g++ 版本问题后，Jittor 编译顺利通过。
    执行官方提供的 CUDNN 算子测试命令：

    1
    python3.7 -m jittor.test.test_cudnn_op

    所有算子均测试正常，显示 Jittor 已能正确利用 GPU (通过 WSL 从宿主机调用) 并启用了 CUDNN 加速。

四、总结与经验 ✨

  • Windows 兼容性: 在 Windows 上安装 Jittor 可能会遇到较多编译和环境兼容性问题，直接修改其底层代码风险较高，不建议新手轻易尝试。
  • 虚拟机 GPU: 普通版本的 VMware Workstation (Player 或未授权 Pro) 对消费级 NVIDIA 显卡的 GPU Passthrough 支持有限，难以用于 CUDA 加速。
  • WSL2 是优选: 对于 Windows 用户，WSL2 是运行 Linux 环境和 Jittor 的更佳选择。
    • WSL GPU 驱动: 切记 WSL2 会自动使用宿主机 Windows 的 NVIDIA 驱动。不要在 WSL 内部尝试安装 Linux 版的 NVIDIA 显卡驱动。确保宿主机驱动和 CUDA Toolkit (主要用于提供 nvcc 等编译工具和库，Jittor 可能会自带或下载特定版本) 是最新的。
    • CUDA in WSL: Jittor 可能会在 WSL 环境中自动下载其适配的 CUDA toolkit，或者你可以遵循 NVIDIA 官方文档在 WSL 中安装 CUDA Toolkit (不含驱动部分)。
  • 依赖库版本: 注意操作系统版本与所需依赖库（如 libtinfo5）的兼容性。较新的发行版可能移除了旧的库。
  • 编译器版本: g++ 等编译器版本对 Jittor 的编译至关重要，需确保版本符合 Jittor 要求。
  • Python 版本: Jittor 对 Python 版本有一定要求 (如示例中 Python 3.7 成功，3.9 失败)，建议查阅官方文档或使用其推荐的 Python 版本，并始终在虚拟环境中进行安装。
  • 耐心与排查: 安装复杂软件时，遇到问题是常态。仔细阅读错误信息，查阅官方文档和社区讨论，逐步排查，是解决问题的关键。

至此，Jittor 总算在 WSL (Ubuntu 22.04 LTS + Python 3.7) 环境下成功安装并配置完毕，可以正常使用 GPU 进行加速了！🎉

Jittor (计图) 安装不完全踩坑指南
https://kyc001.github.io/2025/06/04/Jittor-计图-安装不完全踩坑指南/
作者
kyc
发布于
2025年6月4日
许可协议