1. 为什么选择Conda管理PyTorch环境？

第一次接触深度学习框架时，很多人会直接使用pip安装PyTorch。但很快就会发现，当项目需要不同版本的库时，各种依赖冲突让人头疼不已。我刚开始也是这样，直到发现Anaconda这个神器。它就像个智能管家，能为每个项目创建独立的环境，不同环境里的包版本互不干扰。比如你可以同时维护一个用PyTorch 1.8做老项目的环境，再新建一个PyTorch 2.0玩最新特性的环境。

Conda另一个巨大优势是能自动解决依赖关系。去年我在Windows 10上手动配环境时，光是解决numpy、scipy和pandas的版本兼容就花了半天。后来改用conda安装，它会自动计算所有包的兼容版本组合，一键搞定所有依赖。特别是搭配国内镜像源使用时，下载速度能比pip快5-10倍，这对动辄几百MB的深度学习库太重要了。

2. 前期准备：显卡驱动与CUDA工具包

2.1 检查显卡CUDA支持情况

在开始前，先确认你的NVIDIA显卡是否支持CUDA加速。有个简单方法：打开任务管理器（Ctrl+Shift+Esc），在"性能"选项卡找到GPU信息。比如我的RTX 2060显示"CUDA"支持，说明可以直接使用GPU加速。如果这里没显示，可以去NVIDIA官网查询显卡的Compute Capability版本，3.5以上都支持CUDA。

有个常见误区要特别注意：不是所有NVIDIA显卡都能用CUDA！我朋友曾经用GT 710显卡折腾半天，最后发现这卡根本不支持CUDA运算。所以先确认硬件支持能省去后面90%的麻烦。

2.2 安装匹配的显卡驱动

驱动版本直接影响CUDA的可用性。推荐两种安装方式：

1. 通过GeForce Experience自动更新（适合游戏显卡）
2. 到NVIDIA官网手动下载（适合专业显卡）

我更喜欢手动安装，因为能精确控制版本。比如CUDA 11.5要求驱动版本≥472.50，在官网下载时就要注意选择R470以上分支。安装完成后，在cmd运行：

nvidia-smi

如果看到类似这样的输出，说明驱动安装成功：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 471.41       Driver Version: 471.41       CUDA Version: 11.4     |
|-------------------------------+----------------------+----------------------+

2.3 安装CUDA Toolkit 11.5

虽然PyTorch会自带CUDA运行时，但本地安装完整工具包更方便调试。到NVIDIA官网下载CUDA 11.5时，要注意选择"自定义安装"，然后取消勾选GeForce Experience和Display Driver（避免覆盖现有驱动）。安装完成后，验证：

nvcc -V

正常应该显示：

nvcc: NVIDIA (R) Cuda compiler
release 11.5, V11.5.119

3. Conda环境配置实战

3.1 创建专属Python环境

我强烈建议为每个项目创建独立环境。比如新建一个PyTorch 1.11环境：

conda create -n torch1.11 python=3.8 -y

这里python=3.8不是随便选的——PyTorch官方预编译版本对Python 3.8支持最完善。激活环境后，提示符会变成这样：

(torch1.11) C:\Users\YourName>

3.2 配置国内镜像源

原始文章提到的清华源现在可能不太稳定，我推荐用北外镜像源：

conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

配置完成后，可以用conda config --show channels查看优先级。最近我发现有些镜像源的pytorch包更新不及时，这时可以临时用官方源：

conda install pytorch torchvision torchaudio pytorch-cuda=11.5 -c pytorch -c nvidia

4. PyTorch安装与验证

4.1 精确版本安装技巧

PyTorch官网的安装命令生成器很实用，但要注意它默认给出的是最新版。如果你想安装特定版本，比如1.11.0：

conda install pytorch==1.11.0 torchvision==0.12.0 torchaudio==0.11.0 cudatoolkit=11.5 -c pytorch

这里有个隐藏技巧：cudatoolkit版本必须与本地CUDA驱动兼容。我的经验是：

• CUDA 11.0-11.5驱动兼容所有11.x的cudatoolkit
• 但最好保持主版本一致（如都用11.5）

4.2 验证GPU可用性

安装完成后，启动Python验证：

import torch
print(torch.__version__)  # 应该显示1.11.0
print(torch.cuda.is_available())  # 期待True

如果返回False，按这个顺序排查：

1. 检查驱动版本：nvidia-smi显示的CUDA版本≥11.5
2. 确认PyTorch是GPU版本：print(torch.version.cuda)应该显示11.5
3. 测试计算：torch.randn(2,2).cuda()应该正常输出张量

5. 常见问题解决方案

5.1 版本冲突处理

当遇到类似"Could not load library cudnn_cnn_infer64_8.dll"的错误时，通常是CUDA和cuDNN版本不匹配。我的解决方案是：

conda install cudnn=8.3.2 -c conda-forge

然后重新安装PyTorch。conda的优势这时就体现出来了——它能自动解决这些复杂的依赖关系。

5.2 多版本CUDA共存

有时需要同时支持不同CUDA版本的项目。可以在conda环境中指定：

conda install cudatoolkit=11.3 -c conda-forge

这样环境内会使用11.3的工具链，而系统其他部分不受影响。我经常用这个方法测试不同PyTorch版本的兼容性。

5.3 离线安装方案

对于没有外网的环境，可以先用有网的机器下载包：

conda pack -n torch1.11 -o torch_env.tar.gz

然后把压缩包复制到目标机器解压，通过source activate torch1.11/bin/activate激活环境。这种方式我帮实验室部署过多次，比手动下载whl文件靠谱得多。