企业官网建设流程全解析

直接说我的判断：PyTorch 装上只是第一步，真正卡人的往往是装完之后那一下验证——import torch报错、cuda.is_available()返回False、或者明明装了 GPU 版却跑在 CPU 上。这篇就从安装到验证完整捋一遍，把我实际踩过的坑和排查思路都放进去，照着走基本能一步到位，至少能让你在报错时知道先查什么。

1. 装之前必须想清楚的几件事：Python 版本、CUDA 版本和 PyTorch 版本的三角关系

很多人上来就pip install torch，装完才发现版本不对或者压根没装成 GPU 版，然后又卸载重装，浪费时间不说，还容易把环境搞乱。装 PyTorch 之前，我建议你先花三分钟想清楚下面三件事——这三件事是后面所有操作的根基。

1.1 Python 版本不需要追新，但要避开雷区

PyTorch 对 Python 版本的支持是有一套节奏的。以官方稳定版为例，通常支持 3.8 到最新版本，但会存在一个有趣的现象：Python 太新（比如刚发布的 x.x.0 版本）时，有些依赖库还没来得及出对应版本的 wheel 包，导致安装时pip给你现场编译，动不动就报错。我自己遇到过 Python 3.12 刚出那会儿，装某个 PyTorch 版本时torchvision直接找不到预编译包，最后只能等几个星期再装。

实操建议是：不追新、不用旧、用稳定。如果你不确定自己的 Python 版本，按下面的方式查：

python --version

如果你的版本在 3.8 到 3.11 之间，基本所有 PyTorch 版本都能装；如果正好是 3.12 或更高，建议先去 PyTorch 官网的Get Started页面确认一下支持矩阵，再决定是否装。这里多说一句：别为了装 PyTorch 特意去升级 Python，项目里其他代码依赖老版本的话，升级反而引出连锁问题。

1.2 CUDA 版本查询和匹配逻辑

GPU 用户必须面对 CUDA。这里有个常见误区——很多人以为要装最新版的 CUDA Toolkit，其实不对。PyTorch 官网提供了多个 CUDA 版本的预编译包，你只要保证两个条件就能用：

• 你的NVIDIA 显卡驱动版本足够新，能支持对应的 CUDA 运行时
• PyTorch 自带的 CUDA 运行时和你的驱动兼容

换句话说，你不需要单独安装完整的 CUDA Toolkit（当然你搞开发需要nvcc编译自定义算子另说）。PyTorch 的预编译包里已经打包了 CUDA runtime，你只需要有一个合适的驱动。

查询驱动支持情况：

nvidia-smi

重点看右上角的CUDA Version——这个数字表示你的驱动最高支持到哪个 CUDA 版本。比如显示CUDA Version: 12.1，那你就装 PyTorch 的 cu121 或更低版本分支，别装 cu122/cu123 以上的，因为驱动太老会直接导致 CUDA 初始化失败。

如果nvidia-smi提示找不到命令，说明你还没装显卡驱动或者驱动有问题，先去把驱动装好再继续。注意：装驱动是个独立工程，别在装 PyTorch 的过程中顺手弄驱动，一旦装失败很难定位是驱动问题还是 PyTorch 问题。

1.3 CPU 版和 GPU 版怎么选

纯 CPU 环境（比如笔记本没独显、云服务器没 GPU、或者就是学习用）可以直接选 CPU 版，安装包小、装起来快、不折腾。GPU 版能显著加速深度学习的训练和推理。

判断依据很简单：你的任务是否涉及深度学习模型训练。如果只是跑小规模实验、学习张量操作、做机器学习作业，CPU 版够用；如果跑 CNN、Transformer、微调大模型，GPU 版几乎是必须的。

还有个特殊情况：Mac 用户。M 系列芯片可以装 MPS 版（PyTorch 官方支持 Apple Silicon 的 MPS 后端），这种情况下选择 pip 正常安装即可，PyTorch 会自动识别 MPS 设备，验证时用torch.backends.mps.is_available()判断。

版本选择确定后，再进入安装环节。这一步想清楚能帮你省去后面至少一小时的折腾时间。

2. 两种主流安装方式：pip 和 conda，以及镜像加速的正确姿势

PyTorch 的安装方式其实就两种主流：pip和conda。装哪个？我的建议是——你当前环境是 conda，就用 conda；是纯 pip/virtualenv，就用 pip。千万别混着来，混着用容易把环境搞得一团糟。

2.1 pip 安装：最直接，但要会看命令

先看一个标准的 pip 安装命令：

pip install torch torchvision torchaudio

这行命令默认会安装 CPU 版（如果官方源里对应平台没有 GPU 版，会自动装 CPU 版）。要装 GPU 版，你需要指定--index-url：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

解释一下这个 URL：cu121表示 CUDA 12.1 的预编译包分支。选择哪个取决于你上面查到的驱动支持的 CUDA 版本。如果你只需要 CPU 版：

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

这里有个人人都会遇到的实际问题：从download.pytorch.org下载速度可能很慢，尤其在国内网络环境下，一个 torch 的 wheel 包动辄 2GB+，等半小时未必下得完。这时候要换国内镜像。

换镜像的正确姿势：不要直接在命令里换，而是配置 pip 全局使用国内源。常见稳定源有清华 PyPI 镜像、阿里云 PyPI 镜像、腾讯云 PyPI 镜像等。以一个常用的源为例，配置方式如下：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

但注意：PyTorch 的 GPU 版包在 PyPI 源里并不区分cu121这种分支，你在 PyPI 上装到的 GPU 版 torch 默认是跟随nvidia系列包走的。这意味着有的国内源可以正常装 GPU 版（比如清华源同步了 PyPI 的完整内容），但版本可能不如官方源新。

实操经验是：如果你要用 GPU 版，优先走官方download.pytorch.org源，配合一个加速方案。如果你有代理或者网络工具，直接加速官方源；没有的话，用国内镜像装 CPU 版很顺畅，但 GPU 版就涉及额外的 CUDA 相关依赖包（比如nvidia-cuda-runtime-cu12），这些包比较大，从官方源下载确实考验耐心。

有一种折中：先把 wheel 包用下载工具（比如 aria2）手动下载到本地，然后pip install /path/to/torch.whl。这个方案适合网络差、下载老是断的场景。

2.2 conda 安装：环境隔离更干净，但不要乱配源

conda 安装命令：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这条路的好处是 conda 会自动帮你处理 CUDA 相关依赖，不用像 pip 那样关心nvidia-*包。对于新手来说，conda 的容错率更高。

但 conda 也有自己的坑：默认源在国内非常慢，需要配置镜像。配置完镜像后注意一个问题——pytorch频道和nvidia频道的包在国内镜像上未必完整同步。如果你配了清华 conda 镜像，执行上述命令时可能会报找不到pytorch-cuda包。

这个问题的解法是：不要混用自定义 channel 和镜像源。你在命令行加了-c pytorch -c nvidia时，conda 会去 pytorch 和 nvidia 的官方频道找包，这时候你配的镜像源就失效了。经验是二选一：

• 用官方-c pytorch -c nvidia，速度慢但包肯定全；
• 用镜像源，去掉-c参数，但需要确认镜像源里有你要的包。

就稳定性来看，我遇到过太多 conda 环境安装到一半中途报网络错误的情况，建议先确认你的 conda 版本：

conda --version

如果 conda 版本是 4.x 比较老，先conda update conda升级一下，新版在包解析和网络处理上都有改善。

2.3 虚拟环境的重要性

不管用 pip 还是 conda，我都强烈建议在虚拟环境里装 PyTorch，不是为了逼格，是因为 PyTorch 的依赖链太复杂，直接装到系统环境里，日后某个项目需要特定版本的时候，你会想把当时那个"图省事"的自己拉出来打一顿。

conda 创建虚拟环境的命令：

conda create -n pytorch python=3.10 conda activate pytorch

创建虚拟环境的命令要注意：Python 版本指定一个稳定版（比如 3.10 或 3.11），不要用默认版本，因为默认版本经常是 conda 内置的最新版，兼容性没有保证。

如果是纯 pip 环境：

python -m venv pytorch_env source pytorch_env/bin/activate # Windows 下是 pytorch_env\Scripts\activate

venv 创建的虚拟环境默认不含 pip 的--index-url配置修改，所以前面配置的镜像源在 venv 里仍然有效。这一点比 conda 的 channel 机制简单。

环境隔离这件事，务必养成习惯。我见过太多案例：系统 Python 里装了三四个版本的 torch，每次import torch都像抽盲盒，报错根本不知道是哪一层出的问题。

3. 安装后第一波验证：import 测试和版本核对

安装完成后，立刻验证是很多教程忽略的一步——他们装完就告诉你"成功了"，然后你在自己电脑上一跑就报错。验证的目的不仅是确认"装上了"，更关键的是确认"装对了"。

3.1 基础 import 验证：这个测试必须过

激活你的虚拟环境，进入 Python 交互模式，逐行执行：

import torch print(torch.__version__)

如果你之前用 conda 创建了环境，确保激活的是正确的环境名：

conda activate pytorch python

这一步如果报ModuleNotFoundError: No module named 'torch'，说明当前环境里没装上。常见原因是激活的环境不对，或者 pip 装到了另一个 Python 环境。这时候先which python（Windows 下where python）看当前解释器路径，确认是否是你预期的那个环境。

如果 import 成功，继续做版本核对：

print(torch.__version__) # 具体版本号，如 2.3.0+cu121 print(torch.version.cuda) # PyTorch 内置的 CUDA 版本

我要求你像核对身份证一样核对这两个输出。torch.__version__里如果有+cu121后缀，说明你装的是 CUDA 12.1 版；如果只是2.3.0，没有后缀，很可能装成了 CPU 版。

3.2 GPU 可用性测试：cuda.is_available() 返回 False 的排查链路

接着验证 GPU 是否真的可用：

print(torch.cuda.is_available()) print(torch.cuda.device_count()) print(torch.cuda.get_device_name(0))

is_available()返回True是最理想的结果；返回False时，别慌，按这个链路一步步排查：

• 看torch.__version__是否带+cu后缀。如果没有，那是 CPU 版，is_available()必然为 False，需要重装 GPU 版。
• 如果带+cu后缀但返回 False，执行nvidia-smi确认显卡驱动是否正常安装。
• 驱动没问题的话，用python -c "import torch; print(torch.cuda.is_available())"再跑一次，排除交互环境的干扰（极小概率，但遇到过）。
• 最后看环境变量：echo $CUDA_VISIBLE_DEVICES（Windows 用echo %CUDA_VISIBLE_DEVICES%）。这个变量被设置为-1或异常值时，PyTorch 会认为没有可用 GPU。

大多数情况下，顺着链路查到第三步就能定位问题。

3.3 实际计算验证：跑一个张量运算测试

is_available()返回 True 也不能完全放松，我建议再跑一段实际计算的测试：

import torch # 检查 CUDA 是否可用并设置设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(f"Using device: {device}") # 在指定设备上创建一个随机张量并执行矩阵乘法 x = torch.rand(1024, 1024, device=device) y = torch.rand(1024, 1024, device=device) z = torch.matmul(x, y) print(f"Matrix multiplication result shape: {z.shape}") print(f"Result device: {z.device}")

如果程序没有报错，z.device显示cuda:0，说明 PyTorch 真的在 GPU 上做计算了。这一步比单纯看is_available()更可靠——有的环境配置了某些底层库冲突，会在实际调用 CUDA 时崩溃。

这段代码还有个附加价值：你可以顺手记录一下torch.matmul的耗时，用time模块记录一下时间，后续做性能对比时有个基线数据。

4. 踩坑记录：conda 命令未找到、镜像源失效、驱动问题，一次说清

这部分是重点——以下的坑我基本都踩过一遍甚至多遍，每一个都让我在深夜对着屏幕怀疑人生。把它们总结出来，大家能少走一些弯路。

4.1 conda 未找到或激活失败：90% 是环境变量问题

打开终端（Windows 上是 PowerShell 或 CMD），输入conda activate pytorch，结果提示conda 无法将“conda”项识别为 cmdlet、函数、脚本文件或可运行程序的名称——这个提示在 Windows 上极其常见。

根因是 conda 没有加入系统 PATH 环境变量。可能的原因：

• 安装 Anaconda 或 Miniconda 时没有勾选"Add to PATH"选项（我经常建议不勾选，因为添加后可能污染其他程序的环境，但很多人后来就忘了手动配置）。
• 或者你用的是 Git Bash、WSL 等终端，没有继承 Windows 的 PATH。

解决方法是定位 conda 安装路径，手动加入 PATH：

# Windows PowerShell 下临时添加 $env:PATH = "C:\Users\你的用户名\anaconda3\Scripts;" + $env:PATH conda --version

这样能临时解决，但重启终端就失效了。永久方案是去 Windows 的系统环境变量设置里，在Path中新增三条路径（路径以你的实际安装位置为准）：

C:\Users\你的用户名\anaconda3 C:\Users\你的用户名\anaconda3\Scripts C:\Users\你的用户名\anaconda3\Library\bin

很多人只加了前两条，第三条漏掉，结果 conda 能用但里面的libcrypto、libssl等依赖加载失败，最后表现为 Python 环境各种神秘报错。三条都加上，最省心。

4.2 镜像站源的坑：要看包是否完整同步

前面提到过 conda 配国内镜像源时遇到找不到pytorch-cuda的情况。这里再展开说一下 pip 的镜像坑。

以清华 PyPI 源为例，它同步的是 PyPI 官方的内容，PyTorch 的 CPU 版、GPU 版的 wheel 理论上都在。但注意：PyPI 上的 torch 包自 2.x 开始，GPU 版依赖了大量nvidia-*的包（比如nvidia-cublas-cu12、nvidia-cudnn-cu12），这些包体积极大，有的镜像源同步不完全。实操中我遇到过pip install torch时报：

ERROR: Could not find a version that satisfies the requirement nvidia-cudnn-cu12

这时候有两种解决路径：

• 先安装一个小的nvidia-cuda-runtime-cu12、nvidia-cudnn-cu12试试能不能从镜像源找到，如果找不到就换源头。
• 优先使用官方 PyTorch 源装 GPU 版，配合下载工具。

对比下来，我的日常做法是：CPU 版走国内镜像，GPU 版走官方源。这样既能保证速度又不会踩包不同步的坑。

4.3 GPU 验证时显存相关报错：OOM 和驱动不匹配

如果你成功运行了 3.3 节的计算测试，恭喜你，但 GPU 环境下还有两个高概率问题值得提前了解。

第一个是显存不足（OOM）。你在自己的小项目中跑一个模型，报错：

RuntimeError: CUDA out of memory. Tried to allocate 512.00 MiB

这不代表安装有问题，是显存确实不够了。排查思路：看是不是有其他进程占用了显存，nvidia-smi直接看显存占用；如果确实是自己程序的问题，调小batch_size。PyTorch 本身还有个缓存机制，在你程序结束之前显存不会完全释放，这和安装无关，是正常的。

第二个是驱动太老导致 CUDA 版本不兼容。你装了一个cu121的包，但驱动只支持到CUDA 11.4，验证时可能报：

CUDA error: no kernel image is available for execution on the device

这个报错非常有迷惑性，很多人以为是安装问题。实际上就是你的显卡驱动支持的计算能力版本和 PyTorch 编译时的 CUDA 版本不匹配。解决方式：要么更新驱动（推荐），要么装一个和你驱动匹配的更低 CUDA 版本的 PyTorch 包。

我有个习惯性的验证步骤：安装完成后，跑一次python -c "import torch; print(torch.cuda.get_device_capability())"，看输出的是(8, 0)这样的计算能力元组，再对比一下显卡型号，心里就有底了。

4.4 常见坑总结：一张表对照症状根因

这张表不能覆盖所有情况，但能覆盖 80% 的安装后报错。遇到表里没有的错误，先冷静看报错原文，然后去搜索引擎搜报错信息的前几行关键词，基本都能找到答案。

5. 进阶验证：确认环境真的能跑模型训练

很多教程到 3.3 节就结束了，但我觉得不够——因为矩阵乘法只是验证了张量操作，深度学习实际使用的卷积、反向传播、优化器等等，涉及的另一套 CUDA 库（比如 cuDNN）是否正常，并没有被测试到。正因为如此，我建议安装之后跑一次完整的小型训练脚本来验证。

5.1 训练一个迷你 CNN 模型做全链路验证

下面这段代码不是空架子，它会真实地经历：数据加载 -> 模型构建 -> 前向传播 -> 反向传播 -> 优化器更新 -> 设备同步，完整链路都走一遍。如果这一段代码能顺利跑完，你的 PyTorch 环境基本就可以投入实战了。

import torch import torch.nn as nn import torch.optim as optim device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 简单的两层卷积模型 class SimpleCNN(nn.Module): def __init__(self): super().__init__() self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1) self.fc = nn.Linear(32 * 7 * 7, 10) def forward(self, x): x = torch.relu(self.conv1(x)) x = torch.max_pool2d(x, 2) x = torch.relu(self.conv2(x)) x = torch.max_pool2d(x, 2) x = x.view(x.size(0), -1) return self.fc(x) model = SimpleCNN().to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 随机生成一批假训练数据作为全链路验证 inputs = torch.randn(16, 1, 28, 28, device=device) labels = torch.randint(0, 10, (16,), device=device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() print(f"模型训练验证通过，loss 值：{loss.item():.4f}") print(f"当前设备：{device}")

如果device是cuda:0且 loss 输出正常，说明CUDA 工具链 + cuDNN + 显存管理 + 反向传播全部正常。这一步的绝妙之处在于，它用最小的算力验证了最完整的环境配置，我认为价值极高。

5.2 基准性能测试：确认没装成"假 GPU" 版本

全链路训练验证完之后，建议跑一个简单的性能基准。同样的模型，分别用 CPU 和 GPU 跑几轮，对比一下速度差异——如果 GPU 没有明显更快，那就有问题了（当然极小的模型 GPU 的优势不明显，所以测试用的模型要稍微大一点才看得出差距）。

import time # 在 CPU 上跑 cpu_model = SimpleCNN().to("cpu") start = time.time() for _ in range(200): cpu_inputs = torch.randn(16, 1, 28, 28) _ = cpu_model(cpu_inputs) cpu_time = time.time() - start print(f"CPU 200次推理耗时: {cpu_time:.2f}秒") # 在 GPU 上跑 gpu_model = SimpleCNN().to("cuda") start = time.time() for _ in range(200): gpu_inputs = torch.randn(16, 1, 28, 28, device="cuda") _ = gpu_model(gpu_inputs) gpu_time = time.time() - start print(f"GPU 200次推理耗时: {gpu_time:.2f}秒")

不用太在意绝对数值，重点看 GPU 相对 CPU 是否有数量级级别的加速。有些极小的网络在 GPU 上没有优势，但上面这个两层 CNN 在批量大小为 16 时，GPU 一般会有 5 到 40 倍不等的加速。如果完全不加速甚至更慢，建议回看 4.3 节的驱动和 CUDA 版本兼容问题。

5.3 torchvision 和 torchaudio 的联动验证

很多人只装了 torch，没装 torchvision 和 torchaudio，后续跑图像分类、语音识别任务时才发现缺东西。建议一开始就一起装上：

# CPU 版 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # GPU 版（以 cu121 为例） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

装完之后验证一下三件套版本的一致性：

import torch import torchvision import torchaudio print(torch.__version__) print(torchvision.__version__) print(torchaudio.__version__)

这里有个细节容易被忽略：三个包的版本号末尾的 CUDA 标识（如+cu121）必须一致。比如 torch 是2.3.0+cu121而 torchvision 是2.3.0+cpu，虽然能 import，但某些功能会报版本不匹配的警告，甚至出现段错误。出现这种情况的唯一处理方式：三个包用同一条命令安装，别分开装。

6. 环境备份与快速重建：从"能用"到"随时能恢复"

这是很多人忽视但遇到崩溃时会哭着感谢我的部分。环境装好了，用得很舒服，突然有一天因为某个骚操作把环境搞坏了，那种欲哭无泪的感觉相信都有过。所以我的习惯是：环境一配好，立刻备份配置记录，哪怕只是几行命令。

6.1 pip 环境导出与恢复

pip 环境的导出非常简单：

pip freeze > requirements.txt

一行命令，把你整个环境的依赖列表保存到文件。恢复时：

pip install -r requirements.txt

但直接pip freeze有个问题：里面会有大量依赖传递的包名和版本，换一台机器装的时候容易出现版本兼容性问题。更推荐的做法是只导出顶层依赖：

pip list --format=freeze > requirements.txt

这个命令输出的同样包含所有包，但相对更容易辨别哪些是你主动安装的，哪些是自动依赖。

6.2 conda 环境导出与克隆

conda 环境导出：

conda env export > environment.yaml

恢复：

conda env create -f environment.yaml

注意：conda env export输出的 yaml 文件里包含了你机器的绝对路径信息（比如prefix: /home/xxx/anaconda3/envs/pytorch），换一台机器恢复时这些路径没有意义，没关系，conda 会自动忽略并重建到新的默认路径。但如果想分享给同事，建议用：

conda env export --no-builds > environment.yaml

这行输出时去掉构建号，兼容性更好。如果你只是想复制一份现有环境（比如升级前留一个备份）：

conda create -n pytorch_backup --clone pytorch

这是一招"后悔药"，改动前先在备份环境里测试，确认没问题后再对主环境操作，能帮你避免大量返工。

6.3 一条龙重建脚本

最后分享一个我实际使用的重建思路，把环境备份做成一个一键脚本，放在项目根目录：

# 文件名：setup_env.sh，亲测可用 # 用途：在当前目录创建虚拟环境并安装 PyTorch 全链路相关包 #!/bin/bash set -e # 创建虚拟环境 python -m venv pytorch_env # 激活环境 source pytorch_env/bin/activate # 升级 pip pip install --upgrade pip # 安装 PyTorch CPU 版（按需改 URL 即可切换 GPU 版） pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 安装常用开发库 pip install numpy pandas matplotlib jupyter # 验证安装 python -c "import torch; print(f'PyTorch {torch.__version__} 安装成功')" echo "环境配置完成，运行 'source pytorch_env/bin/activate' 激活环境"

把这个脚本和项目一起入库（repo），换电脑或者同事接手时，一行bash setup_env.sh就能把所有东西还原。为什么不直接用 requirements.txt？因为脚本把"创建环境"和"安装依赖"合并了，对新人更友好——新手往往不知道"先要有一个虚拟环境才能装东西"。

这种"环境可重建"的理念，在深度学习项目里尤其重要，因为 PyTorch 的版本迭代太快，一个项目可能长期锁定在某个特定版本上，环境一旦丢失，重建成本极高。备份不仅是应对灾难，更是让团队协作更顺畅的日常手段。

7. 不同场景的安装选择速查

根据不同的使用场景，我把安装组合整理成一张速查表，方便大家在具体场景下快速选择。

7.1 日常推荐的"最优组合"

如果让我给一个没有特殊约束的常规项目推荐组合，那就是：

• Python 3.11
• PyTorch 稳定版（比如 2.x 的最新稳定版）
• 有 GPU 就装对应 CUDA 版本的包
• 用 conda 管理环境
• 配合清华 PyPI 源（CPU 版）或官方源（GPU 版）

这套组合我用了很长时间，踩坑率最低。Python 3.11 对 PyTorch 的支持非常成熟，兼容库最全，优化也好；conda 环境隔离干净，管理方便。

7.2 升级和降级的注意事项

PyTorch 的升级和降级也有一条经验法则：不要原地更新，而是新建环境，在新环境里装目标版本。比如从 torch 2.0 升到 2.5，你直接在现有环境里pip install --upgrade torch，经常出现某些旧包不兼容的情况。新建环境可以保证一套干净的依赖链，避免各种隐藏冲突。

如果一定要原地升级，先导出当前环境配置（pip freeze 或 conda env export），再升级，出问题能快速回滚。

降级同理：先建一个 clone 环境备份当前环境，再在 clone 里测试旧版本是否兼容你项目的代码，确认了再动主环境。

这套组合流程执行下来，PyTorch 环境基本是稳的，就算出了问题也能低成本快速恢复。希望大家装上之后就能安心训练模型，而不是把时间耗在无休止的环境调试上。