Ubuntu上PyTorch版本更新策略

Ubuntu 上 PyTorch 版本更新策略

一 策略总览

• 隔离优先：始终在独立的 Python 虚拟环境（venv 或 conda）中管理 PyTorch，避免与系统或其他项目依赖冲突。
• 小步快跑、可回滚：采用“检查 → 备份/锁定 → 升级 → 验证 → 回滚预案”的闭环；关键项目建议固定版本或维护多个环境（如 stable 与 nightly）。
• 匹配生态：升级前确认与 CUDA/cuDNN、驱动、以及关键库（如 torchvision/torchaudio、训练框架、分布式后端）的兼容性。
• 可重复与可审计：用 requirements.txt / environment.yml 或 conda env export 记录精确版本，便于复现与回滚。

二 标准操作流程

• 1）检查现状
  • 查看版本与 CUDA 可用性：
    python -c “import torch; print(‘torch==’+torch.version)”
    python -c “import torch; print(‘CUDA available:’, torch.cuda.is_available())”
• 2）备份与锁定
  • pip：pip freeze > requirements.txt（锁定精确版本）
  • conda：conda env export > environment.yml（锁定构建与渠道）
• 3）选择升级方式
  • pip 常规升级：pip install --upgrade torch torchvision torchaudio
  • conda 常规升级：conda update pytorch torchvision torchaudio -c pytorch
  • 指定版本（示例）：pip install torch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0；conda install pytorch=2.3.0 torchvision=0.18.0 torchaudio=2.3.0 -c pytorch
• 4）验证
  • 重复步骤 1 的版本与 CUDA 检查；运行最小样例（张量运算、CUDA 运算）确认功能正常。
• 5）回滚预案
  • pip：pip install -r requirements.txt
  • conda：conda env create -f environment.yml 或 conda install pytorch=… torchvision=… torchaudio=… -c pytorch

三 按场景选择策略

四 常见问题与风险控制

• 混合使用 pip 与 conda：可能导致依赖解析冲突或二进制不兼容。建议在同一环境内仅使用一种包管理器；若必须混用，优先用 conda 管理二进制包，再用 pip 安装剩余纯 Python 包，并及时 conda list/ pip list 核对。
• 升级后 CUDA 不可用：多因驱动与 cuDNN/cuBLAS 不匹配或安装了 CPU 版。核对 nvidia-smi 输出与 torch.version.cuda，必要时重装匹配 CUDA 的 PyTorch 版本或升级驱动。
• 升级失败或环境破损：优先回滚到锁定文件（requirements.txt / environment.yml）；若仍异常，新建干净环境再恢复依赖。
• 国内下载慢：可使用可信镜像源加速 pip 下载；conda 保持默认 pytorch 渠道或使用国内镜像，注意校验包的完整性与构建一致性。