linux pytorch如何迁移

在 Linux 上迁移 PyTorch 环境，通常分为代码 + 模型 + 环境依赖三部分。下面按常见场景给你一套清晰做法。

一、明确迁移类型

先确认你是哪一种：

1. 同机换目录 / 用户
2. 机器 A → 机器 B（Linux → Linux）
3. CPU → GPU 或 GPU → 不同显卡
4. Docker / 容器迁移
5. 云服务器之间迁移

大部分情况都属于 2 或 4。

二、最推荐的迁移方式（环境可复现）

✅ 方式 1：使用 conda + requirements（最稳）

1️⃣ 在原机器导出环境

conda env export > environment.yml
pip freeze > requirements.txt

2️⃣ 拷贝项目

rsync -avz project/ user@new_server:/path/to/project/

3️⃣ 新机器创建环境

conda env create -f environment.yml
conda activate your_env
pip install -r requirements.txt

⚠️ 注意：

• environment.yml 可能包含 CUDA 相关包
• 若 GPU 不同，建议重新装 PyTorch

三、PyTorch 本身的迁移（重点）

✅ 方式 2：重新安装 PyTorch（官方推荐）

不要直接拷贝 PyTorch 包，容易出 ABI 问题。

查看原环境

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

新机器安装对应版本

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

或 CPU 版：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

四、模型权重迁移

✅ 方式 3：只迁移 .pt / .pth 权重

scp model.pth user@new_server:/path/

加载时：

model.load_state_dict(torch.load("model.pth", map_location="cpu"))

跨设备建议：

torch.load("model.pth", map_location="cuda:0")

五、Docker 方式迁移（最干净）

✅ 方式 4：使用 Docker（强烈推荐服务器）

原机器

docker commit pytorch_container pytorch_image
docker save pytorch_image > pytorch.tar

新机器

docker load < pytorch.tar
docker run -it --gpus all pytorch_image

或直接使用官方镜像：

docker run -it --gpus all pytorch/pytorch:2.1.0-cuda11.8-cudnn8-devel

六、GPU 驱动 & CUDA 注意事项

必查项

nvidia-smi
nvcc --version

确保：

• 驱动版本 ≥ CUDA 要求
• PyTorch CUDA 版本匹配

七、常见问题

❌ 报错：libcudart.so not found

→ CUDA 没装或版本不对

❌ 报错：Illegal instruction

→ CPU 架构不同（如 AMD → ARM）

❌ 模型加载失败

→ 用 map_location="cpu" 先加载

八、我可以直接帮你

如果你愿意，可以告诉我：

1. 原机器 & 新机器系统（Ubuntu？CentOS？）
2. 是否用 GPU
3. 用 conda / pip / docker 哪种
4. 是否是训练环境 or 推理环境

我可以直接给你一条可复制的执行命令清单。