上饶做网站美国站外推广网站

在使用工作站跑不同的深度学习项目时，由于项目之间可能需要使用不同版本的python和pytorch，这间接影响了不同版本的pytorch必须兼容工作站上安装的同一个cudatoolkit。然而这很难做到，比如，一个项目可能需要CUDA 10.1，而另一个项目需要CUDA 11.3。如果在全局安装的话，版本冲突会导致问题。

后来查阅资料发现，在不同的 Conda 环境中可以安装不同版本的 cudatoolkit，并让 PyTorch 仅依赖当前环境中的 CUDA 工具包，并且让PyTorch正常使用，而不依赖操作系统全局安装的cudatoolkit。

1. 核心原理

• Conda 环境是完全隔离的，每个环境可以独立管理 CUDA 工具包（cudatoolkit）和其他依赖。

• PyTorch 的官方 Conda 包会自动绑定对应版本的 CUDA，因此你无需在操作系统中全局安装 CUDA。

• 通过 Conda 安装的 cudatoolkit 是一个轻量级的 CUDA 运行时，仅包含必要的库文件，与系统全局的 CUDA 驱动无关。

2. 操作步骤

(1) 创建并激活新环境

conda create -n my_env python=3.9  # 示例环境名 `my_env`
conda activate my_env

(2) 安装指定版本的 cudatoolkit

通过 Conda 直接安装目标版本的 CUDA 工具包：

conda install cudatoolkit=11.3  # 例如 CUDA 11.3

(3) 安装 PyTorch

根据 PyTorch 官方提供的 Conda 命令安装对应版本（确保与 cudatoolkit 版本兼容）：

# 例如 PyTorch 1.12.1 + CUDA 11.3
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

或使用 pip（如果 Conda 源不可用）：

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113

3. 验证环境

在 Python 中运行以下代码检查 CUDA 是否可用：

import torch
print(torch.__version__)          # 输出 PyTorch 版本
print(torch.cuda.is_available())  # 应返回 True
print(torch.version.cuda)         # 输出当前 PyTorch 使用的 CUDA 版本

4. 注意事项

• CUDA 驱动兼容性：虽然 Conda 环境中的 cudatoolkit 是独立的，但系统的 NVIDIA 驱动版本必须支持所需的 CUDA 版本。例如，CUDA 11.x 通常需要 NVIDIA 驱动版本 ≥ 450.80.02。

  • 查看驱动支持的 CUDA 版本：nvidia-smi

• PyTorch 与 CUDA 版本映射：需确保 PyTorch 版本和 cudatoolkit 版本兼容。参考 PyTorch 官方版本表。

• 优先使用 Conda 安装：避免混用 conda 和 pip 安装 PyTorch，可能导致依赖冲突。

---

5. 示例场景

假设你需要两个项目：

• 项目 A：使用 PyTorch 1.10 + CUDA 11.3

• 项目 B：使用 PyTorch 1.13 + CUDA 11.7

操作流程：

# 为项目 A 创建环境
conda create -n project_a python=3.8
conda activate project_a
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch# 为项目 B 创建环境
conda create -n project_b python=3.9
conda activate project_b
conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch

6. 常见问题

• CUDA unavailable 错误：检查系统 NVIDIA 驱动是否支持当前 cudatoolkit 版本（通过 nvidia-smi 查看支持的 CUDA 版本）。

• 依赖冲突：使用 conda install 时若报错，可尝试先安装 cudatoolkit，再安装 PyTorch。

通过这种方式，你可以完全隔离不同项目的 CUDA 环境，避免全局依赖冲突。