1. 为什么PyTorch和TorchVision总是打架？
每次看到"ERROR: Cannot install torch>=1.8.0 and torchvision==0.9.2+cu102 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torch==1.6.0和torchvision==0.7.0，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 3.6+B项目需要Python 3.9也不会打架。下面是具体操作：
conda create -n pytorch_env python=3.8 # 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 python=3.8 cudatoolkit=11.32.2 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 cudatoolkit=11.3 -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 pytorch==1.8.0 torchvision==0.9.0 -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：
torch>=1.6.0 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：
torch==1.8.0+cu102 torchvision==0.9.0+cu102 -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 |
|---|---|
| 10.2 | https://download.pytorch.org/whl/cu102/torch_stable.html |
| 11.1 | https://download.pytorch.org/whl/cu111/torch_stable.html |
| 11.3 | https://download.pytorch.org/whl/cu113/torch_stable.html |
3.2 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 torch==1.8.0 torchvision==0.9.0 --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 torch==1.8.0, 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 torch==1.8.0 torchvision==0.9.0 -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
