2620 字
13 分钟
Jittor (计图) 安装不完全踩坑指南
2025-06-04
指南
Jittor
/
计图
/
安装
/
踩坑
/
AI
/
深度学习

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)

📋 内容概览#

  • 一、Windows 11 尝试 - Windows 环境下的安装尝试和遇到的问题
  • 二、VMware 虚拟机尝试 - 虚拟机环境的限制和问题
  • 三、WSL (Windows Subsystem for Linux) 成功 - 最终成功的解决方案
  • 四、常见安装问题与解决方案 - CUTLASS 下载失败等常见问题的解决方法
  • 五、总结与经验 - 安装过程中的经验总结和建议

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

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。

    // 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。

    Terminal window
    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。

    Terminal window
    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。

      Terminal window
      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：

    Terminal window
    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、常见安装问题与解决方案 🔧#

4.1 CUTLASS 下载失败问题#

问题描述: 在使用 jittor.test_install() 自动配置环境时，可能遇到以下错误：

RuntimeError: MD5 mismatch between the server and the downloaded file /root/.cache/jittor/cutlass/cutlass.zip

问题原因:

  • CUTLASS 对应的清华网盘链接无法访问
  • 程序只创建了一个空的压缩包，导致 MD5 校验失败
  • GitHub 上的备用下载路径也可能无法访问

解决方案:

方法一：手动替换下载链接#

  1. 备份原文件:

    Terminal window
    cp /path/to/your/conda/envs/jt/lib/python3.7/site-packages/jittor/compile_extern.py /path/to/backup/jittor_compile_extern_bak.py

  2. 获取新的下载链接和MD5: 新的可用下载链接：https://cg.cs.tsinghua.edu.cn/jittor/assets/cutlass.zip

  3. 修改源码文件: 编辑 compile_extern.py 文件，将原有的下载链接替换为新链接：

    /path/to/conda/envs/your_env/lib/python3.7/site-packages/jittor/compile_extern.py
    # 找到你的 jittor 安装路径，通常在：
    # 使用 sed 命令替换下载链接
    sed -i "s|https://cloud.tsinghua.edu.cn/f/171e49e5825549548bc4/?dl=1|https://cg.cs.tsinghua.edu.cn/jittor/assets/cutlass.zip|g" /path/to/your/jittor/compile_extern.py

  4. 清除缓存并重新测试:

    Terminal window
    rm -rf ~/.cache/jittor/cutlass/
    python -c "import jittor; jittor.test_install()"

方法二：自动化脚本解决#

创建一个自动化脚本来处理这个问题：

#!/bin/bash


# 自动修复 Jittor CUTLASS 下载问题
# 使用方法：bash fix_jittor_cutlass.sh


echo "🔧 开始修复 Jittor CUTLASS 下载问题..."


# 检测 conda 环境
if [ -z "$CONDA_DEFAULT_ENV" ]; then
    echo "❌ 请先激活你的 conda 环境"
    exit 1
fi


# 查找 jittor 安装路径
JITTOR_PATH=$(python -c "import jittor; print(jittor.__file__)" 2>/dev/null | sed 's/__init__.py//')


if [ -z "$JITTOR_PATH" ]; then
    echo "❌ 未找到 Jittor 安装路径，请确保已安装 Jittor"
    exit 1
fi


COMPILE_EXTERN_FILE="${JITTOR_PATH}compile_extern.py"


echo "📍 找到 Jittor 路径: $JITTOR_PATH"


# 备份原文件
if [ -f "$COMPILE_EXTERN_FILE" ]; then
    cp "$COMPILE_EXTERN_FILE" "${COMPILE_EXTERN_FILE}.backup.$(date +%Y%m%d_%H%M%S)"
    echo "✅ 已备份原文件"
else
    echo "❌ 未找到 compile_extern.py 文件"
    exit 1
fi


# 替换下载链接
NEW_URL="https://cg.cs.tsinghua.edu.cn/jittor/assets/cutlass.zip"
sed -i "s|https://cloud.tsinghua.edu.cn/f/171e49e5825549548bc4/?dl=1|$NEW_URL|g" "$COMPILE_EXTERN_FILE"


echo "✅ 已更新下载链接为: $NEW_URL"


# 清除缓存
CACHE_DIR="$HOME/.cache/jittor/cutlass/"
if [ -d "$CACHE_DIR" ]; then
    rm -rf "$CACHE_DIR"
    echo "✅ 已清除 CUTLASS 缓存"
fi


echo "🎉 修复完成！现在可以重新运行 jittor.test_install()"
echo "💡 测试命令: python -c \"import jittor; jittor.test_install()\""

4.2 环境配置建议#

为了避免类似问题，建议使用以下命令创建专用环境：

Terminal window
# 创建包含必要编译工具的环境
conda create -n rtdetr_env -c conda-forge python=3.7 gcc_linux-64 gxx_linux-64 -y
conda activate rtdetr_env


# 安装 Jittor
pip install jittor


# 测试安装
python -c "import jittor; jittor.test_install()"

注意事项:

  • 使用 conda-forge 频道确保获取最新的编译工具
  • gcc_linux-64 和 gxx_linux-64 提供了必要的编译环境
  • Python 3.7 是经过验证的稳定版本

五、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/posts/jittor-计图-安装不完全踩坑指南/
作者
kyc001
发布于
2025-06-04
许可协议
CC BY-NC-SA 4.0
计算机图形学笔记大纲
关于大一的一些总结
© 2025 kyc001. All Rights Reserved. / RSS / Sitemap
Powered by Astro & Fuwari