用阿里云镜像安装指定 CUDA 版本的 PyTorch + 本地 wheel 缓存复用

Zy海浪

392人浏览 · 2026-06-17 21:11:53

Zy海浪 · 2026-06-17 21:11:53 发布

用阿里云镜像安装指定 CUDA 版本的 PyTorch + 本地 wheel 缓存复用

在国内装 PyTorch，最烦的两件事：一是想精确锁定 CUDA 版本却总装错；二是同一个版本要在好几台机器、好几个虚拟环境里反复下载，既费时间又费流量。

这篇教程解决两个问题：用阿里云镜像安装指定 CUDA 版本的 PyTorch；以及把常用版本的 wheel 下载到本地一次，之后在任意环境离线复用。

赶时间的话，直接抄下面这一段三条命令即可；想知道每一步为什么这么写，再往下看详解。

下面的 export、${VAR//./} 等写法针对 bash / zsh（Linux、macOS）。Windows 请把 export 换成 set（cmd）或 $env:（PowerShell），路径用反斜杠。

速查：复制即用

# --- 配置（只改这一段）---
export CUDA_TAG=cu128                 # CUDA 标签：cu118 / cu121 / cu124 / cu128 …
export PY_VER=3.10                    # 目标 Python 版本
export TORCH_VER=2.7.1                # PyTorch
export TV_VER=0.22.1                  # torchvision
export TA_VER=2.7.1                   # torchaudio
export TORCH_MIRROR="https://mirrors.aliyun.com/pytorch-wheels/${CUDA_TAG}/"
export WHEEL_DIR="$HOME/data/wheels/torch${TORCH_VER//./}_${CUDA_TAG}_py${PY_VER//./}"

# --- A. 直接联网安装 ---
pip install torch==${TORCH_VER}+${CUDA_TAG} torchvision==${TV_VER}+${CUDA_TAG} torchaudio==${TA_VER}+${CUDA_TAG} \
  -f "$TORCH_MIRROR"

# --- B. 下载到本地（在临时环境里执行）---
conda create -y -n wheel_dl python=$PY_VER && conda activate wheel_dl
mkdir -p "$WHEEL_DIR"
python -m pip download --dest "$WHEEL_DIR" --only-binary=:all: -f "$TORCH_MIRROR" \
  torch==${TORCH_VER}+${CUDA_TAG} torchvision==${TV_VER}+${CUDA_TAG} torchaudio==${TA_VER}+${CUDA_TAG}
conda deactivate && conda remove -y -n wheel_dl --all

# --- C. 离线复用（在目标环境里执行）---
conda create -y -n myproj python=$PY_VER && conda activate myproj
pip install torch==${TORCH_VER}+${CUDA_TAG} torchvision==${TV_VER}+${CUDA_TAG} torchaudio==${TA_VER}+${CUDA_TAG} \
  --no-index -f "$WHEEL_DIR"

版本配套表：torch / torchvision / torchaudio / CUDA / Python

装 PyTorch 本质是凑一套配套版本：torch + torchvision + torchaudio 必须成套，再叠加一个该 torch 版本支持的 CUDA tag 和 Python 区间，少一处对不上就会装失败或运行报错。下表覆盖常用的 2.1～2.7（数据来自 PyTorch 官方 previous-versions 页与 torchvision 官方说明）：

PyTorch	torchvision	torchaudio	可用 CUDA tag	Python
2.7.1	0.22.1	2.7.1	cu118 / cu126 / cu128	3.9 – 3.13
2.7.0	0.22.0	2.7.0	cu118 / cu126 / cu128	3.9 – 3.13
2.6.0	0.21.0	2.6.0	cu118 / cu124 / cu126	3.9 – 3.12
2.5.1	0.20.1	2.5.1	cu118 / cu121 / cu124	3.9 – 3.12
2.5.0	0.20.0	2.5.0	cu118 / cu121 / cu124	3.9 – 3.12
2.4.1	0.19.1	2.4.1	cu118 / cu121 / cu124	3.8 – 3.12
2.3.1	0.18.1	2.3.1	cu118 / cu121	3.8 – 3.12
2.2.2	0.17.2	2.2.2	cu118 / cu121	3.8 – 3.11
2.1.2	0.16.2	2.1.2	cu118 / cu121	3.8 – 3.11

配套规律（方便推算表里没列出的 patch 版本）：

torchvision 与 torch 同步递增：torch 2.5 → tv 0.20、2.6 → 0.21、2.7 → 0.22（次版本一起 +1），patch 号也对齐（torch 2.7.1 → tv 0.22.1）。
torchaudio 版本号与 torch 完全一致：torch 2.7.1 → torchaudio 2.7.1。

两个常用 CUDA tag 的反查：

cu128：torch 2.7.0 起才有，2.6 及更早没有。
cu118：torch 2.0 ～ 2.7 一路都支持，是兼容性最好的「老黄金」tag。

准备：把可变项抽成环境变量

上面那个配置块就是把「版本 / CUDA / 路径」这些会变的东西集中到一处，方便自己和别人改。几点说明：

CUDA_TAG 怎么选：看你的 NVIDIA 驱动支持的 CUDA 版本（nvidia-smi 右上角的 CUDA Version 是上限）。pip 装的 wheel 自带 CUDA 运行库，所以不需要预装 CUDA Toolkit，只要驱动够新即可。
torch / torchvision / torchaudio 三者版本要配套（如 2.7.1 / 0.22.1 / 2.7.1），否则会装不上或运行报错。
${TORCH_VER//./} 是把 2.7.1 里的点去掉变成 271，只为让目录名好看、好区分。最终 WHEEL_DIR 会是类似 ~/data/wheels/torch271_cu128_py310 的样子。

方法一：直接安装指定 CUDA 版本的 PyTorch

最简单的形式（阿里云镜像 + -f 就能把范围限定到 cu128 这一目录）：

pip install torch torchvision torchaudio -f "$TORCH_MIRROR"

想精确锁版本，就把版本号写全：

pip install \
  torch==${TORCH_VER}+${CUDA_TAG} \
  torchvision==${TV_VER}+${CUDA_TAG} \
  torchaudio==${TA_VER}+${CUDA_TAG} \
  -f "$TORCH_MIRROR"

原理：

-f（--find-links）把阿里云的 PyTorch wheel 目录当作下载源；该目录里就是 torch-2.7.1+cu128-cp310-...whl 这类文件。
+cu128 这个后缀（PEP 440 里的 local version）用来明确锁定 CUDA 12.8 的构建，避免 pip 选到别的 CUDA 版本（比如 PyPI 上的默认构建）。

建议先建一个干净环境再装，避免污染 base：
conda create -y -n myproj python=$PY_VER && conda activate myproj

装完验证：

import torch
print(torch.__version__)          # 2.7.1+cu128
print(torch.cuda.is_available())  # True
print(torch.version.cuda)         # 12.8

方法二：把 wheel 下载到本地，跨环境复用

适用场景：同一个 PyTorch 版本要在好几台机器 / 好几个虚拟环境里用。下载一次存到本地，以后直接离线安装，省时省流量（光是 nvidia-cudnn 这类依赖就有几百 MB）。

关键前提：Python 版本要对得上

wheel 文件名里带着 cp310（CPython 3.10）、linux_x86_64 这些标签，pip 只会安装与当前解释器、当前平台匹配的 wheel。

所以：下载时要在「目标 Python 版本」的环境里下；复用时目标环境的 Python 版本也必须一致。这就是为什么下面两步都要先建对应版本的环境。

第一步：建临时环境 → 下载到本地

下载这步只是为了拿到「正确的 Python 版本」，环境本身用完就删，所以叫临时环境：

# 1) 临时环境（只为锁定 Python 版本，下载完即删）
conda create -y -n wheel_dl python=$PY_VER
conda activate wheel_dl

# 2) 把 torch 全家桶 + 所有依赖下载到本地
mkdir -p "$WHEEL_DIR"
python -m pip download \
  --dest "$WHEEL_DIR" \
  --only-binary=:all: \
  -f "$TORCH_MIRROR" \
  torch==${TORCH_VER}+${CUDA_TAG} \
  torchvision==${TV_VER}+${CUDA_TAG} \
  torchaudio==${TA_VER}+${CUDA_TAG}

# 3) 下载完，删掉临时环境
conda deactivate
conda remove -y -n wheel_dl --all

不用 conda 的话，venv 也行（前提是系统里已装好对应版本的 Python）：
python3.10 -m venv /tmp/wheel_dl && source /tmp/wheel_dl/bin/activate
#  …执行上面的 pip download…
deactivate && rm -rf /tmp/wheel_dl

这里 --only-binary=:all: 的作用是：强制只下预编译的 wheel，绝不退回去下源码包再本地编译。torch 这套依赖其实都有 wheel，多数时候加不加都一样；但它是给离线复用上的保险——万一某个依赖被下成源码包，到离线机器上用 --no-index 安装时就得现场编译（要编译器、可能还缺别的依赖），离线就废了。另外，pip download 默认会把 torch 的全部依赖（numpy、pillow，以及 cu128 自带的 nvidia-* 库等）一并下载，所以 $WHEEL_DIR 是一个「自包含」目录。

第二步：建目标环境 → 离线安装

到任意机器上，先建一个同样 Python 版本的环境，再从本地目录离线装：

# 1) 目标环境（Python 版本必须和下载时一致）
conda create -y -n myproj python=$PY_VER
conda activate myproj

# 2) 完全离线安装：--no-index 让 pip 只在本地目录里找包
pip install \
  torch==${TORCH_VER}+${CUDA_TAG} \
  torchvision==${TV_VER}+${CUDA_TAG} \
  torchaudio==${TA_VER}+${CUDA_TAG} \
  --no-index \
  -f "$WHEEL_DIR"

-f 指向哪儿都行 —— 可以是 ~/data/wheels/...，也可以是放进项目仓库里的相对路径，例如：

pip install torch==2.7.1+cu128 torchvision==0.22.1+cu128 torchaudio==2.7.1+cu128 \
  --no-index -f external/wheels/torch271_cu128_py310/

复用的三条硬约束

Python 版本要一致：py310 的 wheel 装不进 3.9 / 3.11 的环境。
操作系统 / 架构要一致：linux_x86_64 的 wheel 不能用在 macOS / Windows / ARM。
正因如此，目录名里带上 py310、cu128，一眼就能区分该用哪一份。

小贴士

依赖下载慢？（可选提速） torch 三件套靠 -f 从阿里云下，但 numpy、nvidia-* 等普通依赖默认走官方 PyPI。如果你连 PyPI 慢，给命令再加一个 -i https://mirrors.aliyun.com/pypi/simple/，让依赖也走国内镜像。要是你本来下得就快（或已全局配过镜像），不加完全没问题。
机器上有多个 Python 时，把 pip 换成 python -m pip 更稳妥，能确保用的是当前环境的 pip。
如果阿里云某个 CUDA 标签缺包，可改用 PyTorch 官方源：--index-url https://download.pytorch.org/whl/${CUDA_TAG}。注意：官方源用 --index-url，阿里云这个目录用 -f，两者不一样。