1. 为什么PyTorch和TorchVision总是打架每次看到ERROR: Cannot install torch1.8.0 and torchvision0.9.2cu102 because these package versions have conflicting dependencies这种报错我都想砸键盘。这就像买了个新手机结果发现充电器和数据线不兼容一样让人抓狂。但别急这个问题其实有章可循。PyTorch和TorchVision这对兄弟必须版本匹配才能正常工作。TorchVision是PyTorch的视觉处理库它依赖于PyTorch的核心功能。就像手机系统升级后某些APP必须同步更新才能使用。PyTorch每个大版本发布时官方都会提供对应的TorchVision版本推荐这个信息在PyTorch官网的Previous PyTorch Versions页面可以查到。我去年接手一个老项目时就踩过坑。客户给的requirements.txt里写着torch1.6.0和torchvision0.7.0看起来没问题对吧结果安装时还是报错。后来发现是CUDA版本搞的鬼——服务器装的是CUDA 10.2而这两个包需要CUDA 10.1。这种隐形的版本依赖就像俄罗斯套娃一层套一层。2. 用conda创建纯净的虚拟环境2.1 为什么conda是解决依赖冲突的首选conda就像个智能集装箱能把不同项目的依赖完全隔离开。我习惯每个新项目都新建一个conda环境这样即使A项目需要Python 3.6B项目需要Python 3.9也不会打架。下面是具体操作conda create -n pytorch_env python3.8 # 我习惯用3.8稳定 conda activate pytorch_env创建环境时有个小技巧如果知道要用GPU版可以直接在创建时指定cudatoolkit版本conda create -n pytorch_gpu python3.8 cudatoolkit11.32.2 conda安装PyTorch套件的正确姿势conda安装PyTorch系列包时官方频道是最靠谱的conda install pytorch torchvision torchaudio cudatoolkit11.3 -c pytorch这个命令会自动解决依赖关系。我对比过用conda安装比pip安装的包体积要大因为它会把所有依赖都打包进来。虽然占空间但稳定性绝对值得。有个坑要注意conda的默认源有时候更新慢。如果找不到指定版本可以试试加上-c conda-forge参数conda install pytorch1.8.0 torchvision0.9.0 -c pytorch -c conda-forge3. 用pip管理依赖的实战技巧3.1 requirements.txt的版本锁定艺术requirements.txt就像菜谱写得太模糊厨师会自由发挥。我见过最坑的写法是torch1.6.0 torchvision这等于说随便给我个新版本结果就是大概率装不上。正确的写法应该是torch1.8.0cu102 torchvision0.9.0cu102 -f https://download.pytorch.org/whl/cu102/torch_stable.html最后那行-f特别重要它告诉pip去哪里找对应CUDA版本的预编译包。我整理过常见CUDA版本对应的下载地址CUDA版本PyTorch下载地址10.2https://download.pytorch.org/whl/cu102/torch_stable.html11.1https://download.pytorch.org/whl/cu111/torch_stable.html11.3https://download.pytorch.org/whl/cu113/torch_stable.html3.2 pip的降级与强制安装有时候我们不得不安装旧版本这时候--force-reinstall是救命稻草pip install torch1.8.0 torchvision0.9.0 --force-reinstall但要注意强制安装可能会破坏其他依赖。我建议先用pip check检查依赖树pip check如果报错会显示哪些包有冲突比如torchvision 0.9.0 requires torch1.8.0, but you have torch 1.9.0 which is incompatible.4. 手动指定CUDA版本的终极方案4.1 如何查看当前CUDA版本在终端输入nvcc --version或者用Python代码检查import torch print(torch.version.cuda) # 输出类似10.2 print(torch.cuda.is_available()) # 检查CUDA是否可用4.2 多CUDA版本共存的技巧我们的开发机经常需要同时支持多个项目每个项目要求的CUDA版本可能不同。这时候可以用环境变量临时切换export CUDA_HOME/usr/local/cuda-11.1 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH我习惯把这些命令写成shell脚本比如switch_cuda_11.1.sh需要时直接source一下。4.3 源码编译安装的硬核方案如果所有预编译版本都不满足需求那就只能源码编译了。这是我去年为旧显卡计算能力3.5折腾的步骤git clone --recursive https://github.com/pytorch/pytorch cd pytorch git checkout v1.8.0 # 切换到指定版本 export CMAKE_PREFIX_PATH${CONDA_PREFIX:-$(dirname $(which conda))/../} python setup.py install编译过程可能要几小时建议加-j$(nproc)参数并行编译。完成后记得验证import torch print(torch.__version__) # 应该输出1.8.0 print(torch.cuda.is_available()) # 应该是True5. 项目迁移时的版本兼容处理5.1 老项目如何适配新环境接手老项目时我通常会先建一个完全隔离的环境然后按原始requirements.txt安装。如果报错就按以下步骤排查检查项目代码中是否有版本特定API比如torch.xxx在新版本已改名在PyTorch官网查对应版本的文档尝试用try-except包装可能出错的代码块5.2 版本冲突的应急方案实在解决不了版本冲突时我会用Docker创建完全隔离的环境FROM nvidia/cuda:10.2-base RUN apt-get update apt-get install -y python3-pip RUN pip3 install torch1.8.0 torchvision0.9.0 -f https://download.pytorch.org/whl/cu102/torch_stable.html COPY . /app WORKDIR /app然后构建并运行docker build -t old_project . docker run --gpus all -it old_project python3 train.py6. 日常开发中的最佳实践经过无数次踩坑我总结出几个黄金法则新项目永远从最新稳定版开始除非有特殊需求否则用PyTorch官网推荐的版本组合记录完整的版本信息不仅记录PyTorch和TorchVision版本还要记录CUDA、cuDNN版本使用环境隔离conda、venv、Docker都可以但一定要隔离团队统一环境用pip freeze requirements.txt生成精确依赖而不是手动写最后分享我的版本选择checklist确认硬件支持的CUDA版本查看PyTorch官网的版本兼容表测试关键代码在新环境是否能运行记录所有安装命令和下载地址