1. 为什么 PyTorch 安装这件事值得单独写一篇搞深度学习的人绕不开 PyTorch。不管你是做图像分类、目标检测还是搞大模型微调第一步永远是把它装到机器上并且确认它真的能用。听起来简单但我在社区里看到太多人卡在第一步装完了import torch报错、GPU 识别不到、版本对不上、conda 命令找不到、装完发现是 CPU 版本跑得慢如蜗牛。这些问题不解决后面写多少代码都是白搭。这篇内容就是围绕PyTorch 安装与验证这个主题把从环境准备到最终验证的完整链路拆开讲清楚。我会覆盖 Windows、Linux 两大平台讲清楚 conda 和 pip 两条路线的取舍说明 GPU 版本和 CPU 版本到底怎么选最后给出几段可以直接复制运行的验证代码帮你确认装完之后到底能不能跑、跑得对不对。适合刚入门的新手也适合换了新机器、重装环境的老手拿来对照排查。我自己的习惯是每换一台机器从零开始装一遍 PyTorch然后把验证流程走完确认torch.cuda.is_available()返回 True再跑一个小张量运算看结果。这套流程我走过不下二十次踩过的坑基本都在这篇里了。2. 安装前的环境认知与方案选型2.1 先搞清楚你要装的是哪个版本PyTorch 的版本选择不是随便挑最新的就行它和你的Python 版本、CUDA 驱动版本、操作系统三者强绑定。很多人一上来就pip install torch装完发现是 CPU 版或者 CUDA 版本和显卡驱动不匹配白折腾。先确认三件事Python 版本PyTorch 目前主流支持 Python 3.9 到 3.12。3.13 刚出来那阵子很多包还没跟上建议新手先用 3.10 或 3.11兼容性最稳。显卡和驱动NVIDIA 显卡用户先在命令行敲nvidia-smi看右上角的 CUDA Version。这个数字是你驱动支持的最高 CUDA 版本不是你必须装的版本。比如显示 CUDA Version: 12.4那你可以装 cu121 或 cu118 的 PyTorch但不能装 cu124 以上。操作系统Windows 和 Linux 的安装命令略有差异尤其是 CUDA 版本的支持情况。macOS 用户走 MPS 路线和 CUDA 是两套东西。提示nvidia-smi显示的 CUDA Version 是驱动能支持的上限PyTorch 自带的 CUDA runtime 只要不超过这个上限就能跑。所以驱动 12.4 装 cu121 完全没问题。2.2 conda 还是 pip这是个老问题两条路线各有拥趸我的实际经验是这样对比项condapip依赖管理强能处理非 Python 依赖只管 Python 包环境隔离自带conda create一步到位需要配合 venvCUDA 支持官方 channel 提供预编译包PyTorch 官方 index 提供安装速度较慢解算依赖耗时快版本冲突解算器偶尔抽风相对直接我的建议是新手用 conda 建环境用 pip 装 PyTorch。这样既享受了 conda 的环境隔离又避开了 conda 解算 CUDA 包时的各种玄学问题。具体命令后面会给。如果你机器上连 conda 都没有那先解决这个。热词里有人遇到conda : 无法将conda项识别这就是没配环境变量或者根本没装。Miniconda 是最轻量的选择装完记得把 conda 加入 PATH。2.3 GPU 版和 CPU 版的判断逻辑这一步决定你后面跑模型是几分钟还是几小时。有 NVIDIA 显卡且驱动正常装 GPU 版cu 系列。有 AMD 显卡PyTorch 对 ROCm 的支持主要在 LinuxWindows 上基本走 CPU。macOSM 系列芯片装默认版即可走 MPS 后端。纯 CPU 机器装 CPU 版别硬上 GPU 版装了也用不了。判断方法很简单装之前先跑nvidia-smi能出表格就是有 NVIDIA 显卡。装完之后用torch.cuda.is_available()验证返回 True 才算 GPU 版装对了。3. 分平台实操从零到能跑3.1 Windows 平台完整流程Windows 是新手最多的平台也是坑最多的平台。我按顺序列一遍。第一步装 Python 或 Miniconda如果你打算用 conda直接装 Miniconda别装完整版 Anaconda太大。下载地址去官网找选 Windows 64 位。安装时勾选Add to PATH这一步很多人漏掉导致后面命令行找不到 conda。如果只用 pip那就装 Python。去 python.org 下载 3.10 或 3.11 的安装包安装时务必勾选Add Python to PATH。装完在命令行敲python --version确认。第二步创建独立环境conda create -n pytorch_env python3.10 conda activate pytorch_env环境名自己取我习惯叫pytorch_env一看就知道是干嘛的。激活后命令行前面会出现(pytorch_env)说明进去了。第三步安装 PyTorch去 PyTorch 官网的 Get Started 页面按你的配置选好选项它会生成对应命令。以 CUDA 12.1 为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121CPU 版本则是pip install torch torchvision torchaudio注意--index-url这个参数它指向 PyTorch 官方的包索引不走这个很可能装到 CPU 版或者旧版本。第四步验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU only)torch.__version__会显示类似2.2.1cu121加号后面就是 CUDA 版本标识。如果显示cpu说明装成 CPU 版了。3.2 Linux 平台完整流程Linux 上装 PyTorch 通常更顺因为驱动和 CUDA 生态更成熟。流程和 Windows 类似但有几个差异点。驱动检查nvidia-smi在 Linux 上同样适用。如果命令不存在说明驱动没装需要先装 NVIDIA 驱动。这一步不同发行版差异大Ubuntu 可以用aptCentOS 用yum具体不展开。环境创建conda 在 Linux 上一样好用。如果你用服务器通常已经有 conda直接conda create即可。安装命令和 Windows 完全一致pip 的 index-url 也一样。Linux 上偶尔会遇到权限问题建议在 conda 环境里装别用sudo pip那会污染系统 Python。验证同样跑那三行代码。Linux 上如果torch.cuda.is_available()返回 False先检查驱动版本和 CUDA 版本是否匹配再看是不是装成了 CPU 版。3.3 macOSApple Silicon的特殊处理M 系列芯片的 Mac 不支持 CUDA但支持 MPS 后端能调用 GPU 加速。安装命令就是默认的pip install torch torchvision torchaudio验证时用import torch print(torch.backends.mps.is_available()) print(torch.backends.mps.is_built())两个都返回 True 才算 MPS 可用。注意 MPS 不是所有算子都支持遇到不支持的算子会回退到 CPU性能会掉。这是正常现象不是装错了。4. 验证环节怎么确认真的装对了4.1 基础验证三件套装完不验证等于没装。我固定跑这三段第一段版本和可用性import torch print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) print(CUDA version:, torch.version.cuda) print(cuDNN version:, torch.backends.cudnn.version())torch.version.cuda显示的是 PyTorch 编译时用的 CUDA 版本和nvidia-smi显示的驱动版本是两回事。cuDNN 版本能显示出来说明 cuDNN 也装好了。第二段张量运算x torch.rand(3, 3) y torch.rand(3, 3) z x y print(z) print(z.device)这段确认基本运算没问题。z.device显示cpu因为张量默认在 CPU 上。第三段GPU 运算if torch.cuda.is_available(): device torch.device(cuda) x torch.rand(1000, 1000).to(device) y torch.rand(1000, 1000).to(device) z x y print(GPU computation OK, result shape:, z.shape) print(Device:, z.device) else: print(CUDA not available, skip GPU test)这段把张量搬到 GPU 上做矩阵乘法能跑通说明 GPU 链路完全正常。是矩阵乘法运算符1000x1000 的矩阵乘法在 GPU 上瞬间完成在 CPU 上要等几秒这个速度差异本身也是一种验证。4.2 常见验证失败的原因对照现象可能原因排查方向import torch报 ModuleNotFoundError没装或装错环境确认当前环境pip list看有没有 torchtorch.cuda.is_available()返回 False装成 CPU 版 / 驱动不匹配看版本号有没有 cu检查 nvidia-smi版本号显示 cpu用了默认 pip 源加 --index-url 重装cuDNN version 返回 NonecuDNN 没装好重装对应 CUDA 版本的 PyTorchGPU 运算报 CUDA error驱动太旧 / 显存不足更新驱动减小张量尺寸conda 命令找不到PATH 没配重装 Miniconda 并勾选 Add to PATH这张表我建议存下来遇到问题先对照能省很多搜索时间。4.3 一个容易被忽略的验证训练集测试集验证集热词里出现了训练集 测试集 验证集和k折交叉验证这其实和 PyTorch 安装验证是两码事但很多人装完 PyTorch 第一件事就是跑一个完整训练流程结果发现数据划分有问题。我的建议是装完先跑上面那三段基础验证确认框架没问题再去搞数据划分。别把两件事混在一起排查那样出问题你都不知道是环境问题还是代码问题。如果你要验证一个完整的训练流程最简单的办法是用torchvision.datasets加载 MNIST跑一个 epoch。这个数据集小下载快能跑通说明数据加载、模型定义、反向传播、优化器更新整条链路都正常。5. 实操心得与避坑经验5.1 我踩过的几个典型坑坑一pip 和 conda 混用导致版本混乱。我在一个 conda 环境里先用 conda 装了 torch后来又用 pip 装了一遍结果两个版本打架import torch直接报错。后来养成习惯一个环境里只用一种包管理器装 PyTorch。要么全 conda要么全 pip别混。坑二CUDA 版本看着对实际不匹配。有次驱动显示 CUDA 12.4我装了 cu124 的 PyTorch结果is_available()返回 False。后来发现是驱动虽然显示 12.4但实际 runtime 版本偏低换成 cu121 就好了。所以别只看 nvidia-smi 的数字装低一档的 CUDA 版本通常更稳。坑三Windows 上路径带空格导致安装失败。有次把 conda 装在C:\Program Files\下面路径带空格pip 安装时各种报错。后来换成C:\miniconda3\这种无空格路径问题消失。Windows 用户注意这点。坑四装完忘了激活环境。这个太常见了。装的时候在pytorch_env里验证的时候开了新终端默认进了 base 环境然后import torch报错以为装失败了。其实只是没激活。养成习惯每次开新终端先conda activate pytorch_env。5.2 关于镜像和下载速度热词里有镜像验证和linux镜像安装这里说的镜像有两层意思一是系统镜像二是包索引镜像。PyTorch 官方包在国外国内下载慢是常态。除了用官方 index-url也可以配置 pip 的全局镜像源加速其他包的下载。但注意PyTorch 的 CUDA 版本包最好还是走官方 index-url第三方镜像有时候同步不及时装到旧版本。如果你在公司内网或者网络受限环境可以提前把 whl 文件下载好用pip install 本地路径.whl离线安装。这个方式在无网环境部署时特别有用。5.3 环境导出与复现装好一个能用的环境不容易记得导出配置conda env export environment.yml pip freeze requirements.txtenvironment.yml记录 conda 层面的依赖requirements.txt记录 pip 层面的。换机器时用这两个文件重建环境能省大量时间。不过要注意environment.yml里会包含一些平台相关的包跨平台重建时可能需要手动调整。5.4 关于 PyTorch 转 ONNX 的验证热词里出现了pytorch转onnx这是部署环节的常见操作。如果你装 PyTorch 的目的包含模型导出那验证时多跑一步import torch import torch.onnx dummy_input torch.randn(1, 3, 224, 224) model torch.nn.Conv2d(3, 64, kernel_size3, padding1) torch.onnx.export(model, dummy_input, test.onnx) print(ONNX export OK)能导出成功说明 PyTorch 的 ONNX 支持模块也正常。这一步不是必须的但如果你后续要做模型部署提前验证能避免后面踩坑。6. 装完之后让环境真正为你所用PyTorch 装好只是起点。我见过太多人装完就放着过两周再打开发现忘了怎么激活环境。所以我的建议是装完当天就跑一个真实的小项目哪怕只是训练一个 MNIST 分类器跑通整个流程。这样你对环境的印象会深很多也知道哪些地方容易出问题。另外PyTorch 版本更新很快但没必要追新。我通常在一个项目周期内锁定一个版本项目做完再考虑升级。升级前先看 release notes确认没有破坏性变更。生产环境更是如此版本稳定比版本新重要得多。最后分享一个我自己的习惯每装好一个环境我会在环境目录下放一个README.md记录这个环境的 Python 版本、PyTorch 版本、CUDA 版本、安装日期和用途。过几个月回头看一眼就知道这个环境是干嘛的不用去猜。这个习惯帮我省了很多这个环境能不能删的纠结时间。环境这东西装的时候嫌麻烦用的时候才知道值。把验证流程走扎实后面写代码才能心无旁骛。
1. 为什么 PyTorch 安装这件事值得单独写一篇搞深度学习的人绕不开 PyTorch。不管你是做图像分类、目标检测还是搞大模型微调第一步永远是把它装到机器上并且确认它真的能用。听起来简单但我在社区里看到太多人卡在第一步装完了import torch报错、GPU 识别不到、版本对不上、conda 命令找不到、装完发现是 CPU 版本跑得慢如蜗牛。这些问题不解决后面写多少代码都是白搭。这篇内容就是围绕PyTorch 安装与验证这个主题把从环境准备到最终验证的完整链路拆开讲清楚。我会覆盖 Windows、Linux 两大平台讲清楚 conda 和 pip 两条路线的取舍说明 GPU 版本和 CPU 版本到底怎么选最后给出几段可以直接复制运行的验证代码帮你确认装完之后到底能不能跑、跑得对不对。适合刚入门的新手也适合换了新机器、重装环境的老手拿来对照排查。我自己的习惯是每换一台机器从零开始装一遍 PyTorch然后把验证流程走完确认torch.cuda.is_available()返回 True再跑一个小张量运算看结果。这套流程我走过不下二十次踩过的坑基本都在这篇里了。2. 安装前的环境认知与方案选型2.1 先搞清楚你要装的是哪个版本PyTorch 的版本选择不是随便挑最新的就行它和你的Python 版本、CUDA 驱动版本、操作系统三者强绑定。很多人一上来就pip install torch装完发现是 CPU 版或者 CUDA 版本和显卡驱动不匹配白折腾。先确认三件事Python 版本PyTorch 目前主流支持 Python 3.9 到 3.12。3.13 刚出来那阵子很多包还没跟上建议新手先用 3.10 或 3.11兼容性最稳。显卡和驱动NVIDIA 显卡用户先在命令行敲nvidia-smi看右上角的 CUDA Version。这个数字是你驱动支持的最高 CUDA 版本不是你必须装的版本。比如显示 CUDA Version: 12.4那你可以装 cu121 或 cu118 的 PyTorch但不能装 cu124 以上。操作系统Windows 和 Linux 的安装命令略有差异尤其是 CUDA 版本的支持情况。macOS 用户走 MPS 路线和 CUDA 是两套东西。提示nvidia-smi显示的 CUDA Version 是驱动能支持的上限PyTorch 自带的 CUDA runtime 只要不超过这个上限就能跑。所以驱动 12.4 装 cu121 完全没问题。2.2 conda 还是 pip这是个老问题两条路线各有拥趸我的实际经验是这样对比项condapip依赖管理强能处理非 Python 依赖只管 Python 包环境隔离自带conda create一步到位需要配合 venvCUDA 支持官方 channel 提供预编译包PyTorch 官方 index 提供安装速度较慢解算依赖耗时快版本冲突解算器偶尔抽风相对直接我的建议是新手用 conda 建环境用 pip 装 PyTorch。这样既享受了 conda 的环境隔离又避开了 conda 解算 CUDA 包时的各种玄学问题。具体命令后面会给。如果你机器上连 conda 都没有那先解决这个。热词里有人遇到conda : 无法将conda项识别这就是没配环境变量或者根本没装。Miniconda 是最轻量的选择装完记得把 conda 加入 PATH。2.3 GPU 版和 CPU 版的判断逻辑这一步决定你后面跑模型是几分钟还是几小时。有 NVIDIA 显卡且驱动正常装 GPU 版cu 系列。有 AMD 显卡PyTorch 对 ROCm 的支持主要在 LinuxWindows 上基本走 CPU。macOSM 系列芯片装默认版即可走 MPS 后端。纯 CPU 机器装 CPU 版别硬上 GPU 版装了也用不了。判断方法很简单装之前先跑nvidia-smi能出表格就是有 NVIDIA 显卡。装完之后用torch.cuda.is_available()验证返回 True 才算 GPU 版装对了。3. 分平台实操从零到能跑3.1 Windows 平台完整流程Windows 是新手最多的平台也是坑最多的平台。我按顺序列一遍。第一步装 Python 或 Miniconda如果你打算用 conda直接装 Miniconda别装完整版 Anaconda太大。下载地址去官网找选 Windows 64 位。安装时勾选Add to PATH这一步很多人漏掉导致后面命令行找不到 conda。如果只用 pip那就装 Python。去 python.org 下载 3.10 或 3.11 的安装包安装时务必勾选Add Python to PATH。装完在命令行敲python --version确认。第二步创建独立环境conda create -n pytorch_env python3.10 conda activate pytorch_env环境名自己取我习惯叫pytorch_env一看就知道是干嘛的。激活后命令行前面会出现(pytorch_env)说明进去了。第三步安装 PyTorch去 PyTorch 官网的 Get Started 页面按你的配置选好选项它会生成对应命令。以 CUDA 12.1 为例pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121CPU 版本则是pip install torch torchvision torchaudio注意--index-url这个参数它指向 PyTorch 官方的包索引不走这个很可能装到 CPU 版或者旧版本。第四步验证import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else CPU only)torch.__version__会显示类似2.2.1cu121加号后面就是 CUDA 版本标识。如果显示cpu说明装成 CPU 版了。3.2 Linux 平台完整流程Linux 上装 PyTorch 通常更顺因为驱动和 CUDA 生态更成熟。流程和 Windows 类似但有几个差异点。驱动检查nvidia-smi在 Linux 上同样适用。如果命令不存在说明驱动没装需要先装 NVIDIA 驱动。这一步不同发行版差异大Ubuntu 可以用aptCentOS 用yum具体不展开。环境创建conda 在 Linux 上一样好用。如果你用服务器通常已经有 conda直接conda create即可。安装命令和 Windows 完全一致pip 的 index-url 也一样。Linux 上偶尔会遇到权限问题建议在 conda 环境里装别用sudo pip那会污染系统 Python。验证同样跑那三行代码。Linux 上如果torch.cuda.is_available()返回 False先检查驱动版本和 CUDA 版本是否匹配再看是不是装成了 CPU 版。3.3 macOSApple Silicon的特殊处理M 系列芯片的 Mac 不支持 CUDA但支持 MPS 后端能调用 GPU 加速。安装命令就是默认的pip install torch torchvision torchaudio验证时用import torch print(torch.backends.mps.is_available()) print(torch.backends.mps.is_built())两个都返回 True 才算 MPS 可用。注意 MPS 不是所有算子都支持遇到不支持的算子会回退到 CPU性能会掉。这是正常现象不是装错了。4. 验证环节怎么确认真的装对了4.1 基础验证三件套装完不验证等于没装。我固定跑这三段第一段版本和可用性import torch print(PyTorch version:, torch.__version__) print(CUDA available:, torch.cuda.is_available()) print(CUDA version:, torch.version.cuda) print(cuDNN version:, torch.backends.cudnn.version())torch.version.cuda显示的是 PyTorch 编译时用的 CUDA 版本和nvidia-smi显示的驱动版本是两回事。cuDNN 版本能显示出来说明 cuDNN 也装好了。第二段张量运算x torch.rand(3, 3) y torch.rand(3, 3) z x y print(z) print(z.device)这段确认基本运算没问题。z.device显示cpu因为张量默认在 CPU 上。第三段GPU 运算if torch.cuda.is_available(): device torch.device(cuda) x torch.rand(1000, 1000).to(device) y torch.rand(1000, 1000).to(device) z x y print(GPU computation OK, result shape:, z.shape) print(Device:, z.device) else: print(CUDA not available, skip GPU test)这段把张量搬到 GPU 上做矩阵乘法能跑通说明 GPU 链路完全正常。是矩阵乘法运算符1000x1000 的矩阵乘法在 GPU 上瞬间完成在 CPU 上要等几秒这个速度差异本身也是一种验证。4.2 常见验证失败的原因对照现象可能原因排查方向import torch报 ModuleNotFoundError没装或装错环境确认当前环境pip list看有没有 torchtorch.cuda.is_available()返回 False装成 CPU 版 / 驱动不匹配看版本号有没有 cu检查 nvidia-smi版本号显示 cpu用了默认 pip 源加 --index-url 重装cuDNN version 返回 NonecuDNN 没装好重装对应 CUDA 版本的 PyTorchGPU 运算报 CUDA error驱动太旧 / 显存不足更新驱动减小张量尺寸conda 命令找不到PATH 没配重装 Miniconda 并勾选 Add to PATH这张表我建议存下来遇到问题先对照能省很多搜索时间。4.3 一个容易被忽略的验证训练集测试集验证集热词里出现了训练集 测试集 验证集和k折交叉验证这其实和 PyTorch 安装验证是两码事但很多人装完 PyTorch 第一件事就是跑一个完整训练流程结果发现数据划分有问题。我的建议是装完先跑上面那三段基础验证确认框架没问题再去搞数据划分。别把两件事混在一起排查那样出问题你都不知道是环境问题还是代码问题。如果你要验证一个完整的训练流程最简单的办法是用torchvision.datasets加载 MNIST跑一个 epoch。这个数据集小下载快能跑通说明数据加载、模型定义、反向传播、优化器更新整条链路都正常。5. 实操心得与避坑经验5.1 我踩过的几个典型坑坑一pip 和 conda 混用导致版本混乱。我在一个 conda 环境里先用 conda 装了 torch后来又用 pip 装了一遍结果两个版本打架import torch直接报错。后来养成习惯一个环境里只用一种包管理器装 PyTorch。要么全 conda要么全 pip别混。坑二CUDA 版本看着对实际不匹配。有次驱动显示 CUDA 12.4我装了 cu124 的 PyTorch结果is_available()返回 False。后来发现是驱动虽然显示 12.4但实际 runtime 版本偏低换成 cu121 就好了。所以别只看 nvidia-smi 的数字装低一档的 CUDA 版本通常更稳。坑三Windows 上路径带空格导致安装失败。有次把 conda 装在C:\Program Files\下面路径带空格pip 安装时各种报错。后来换成C:\miniconda3\这种无空格路径问题消失。Windows 用户注意这点。坑四装完忘了激活环境。这个太常见了。装的时候在pytorch_env里验证的时候开了新终端默认进了 base 环境然后import torch报错以为装失败了。其实只是没激活。养成习惯每次开新终端先conda activate pytorch_env。5.2 关于镜像和下载速度热词里有镜像验证和linux镜像安装这里说的镜像有两层意思一是系统镜像二是包索引镜像。PyTorch 官方包在国外国内下载慢是常态。除了用官方 index-url也可以配置 pip 的全局镜像源加速其他包的下载。但注意PyTorch 的 CUDA 版本包最好还是走官方 index-url第三方镜像有时候同步不及时装到旧版本。如果你在公司内网或者网络受限环境可以提前把 whl 文件下载好用pip install 本地路径.whl离线安装。这个方式在无网环境部署时特别有用。5.3 环境导出与复现装好一个能用的环境不容易记得导出配置conda env export environment.yml pip freeze requirements.txtenvironment.yml记录 conda 层面的依赖requirements.txt记录 pip 层面的。换机器时用这两个文件重建环境能省大量时间。不过要注意environment.yml里会包含一些平台相关的包跨平台重建时可能需要手动调整。5.4 关于 PyTorch 转 ONNX 的验证热词里出现了pytorch转onnx这是部署环节的常见操作。如果你装 PyTorch 的目的包含模型导出那验证时多跑一步import torch import torch.onnx dummy_input torch.randn(1, 3, 224, 224) model torch.nn.Conv2d(3, 64, kernel_size3, padding1) torch.onnx.export(model, dummy_input, test.onnx) print(ONNX export OK)能导出成功说明 PyTorch 的 ONNX 支持模块也正常。这一步不是必须的但如果你后续要做模型部署提前验证能避免后面踩坑。6. 装完之后让环境真正为你所用PyTorch 装好只是起点。我见过太多人装完就放着过两周再打开发现忘了怎么激活环境。所以我的建议是装完当天就跑一个真实的小项目哪怕只是训练一个 MNIST 分类器跑通整个流程。这样你对环境的印象会深很多也知道哪些地方容易出问题。另外PyTorch 版本更新很快但没必要追新。我通常在一个项目周期内锁定一个版本项目做完再考虑升级。升级前先看 release notes确认没有破坏性变更。生产环境更是如此版本稳定比版本新重要得多。最后分享一个我自己的习惯每装好一个环境我会在环境目录下放一个README.md记录这个环境的 Python 版本、PyTorch 版本、CUDA 版本、安装日期和用途。过几个月回头看一眼就知道这个环境是干嘛的不用去猜。这个习惯帮我省了很多这个环境能不能删的纠结时间。环境这东西装的时候嫌麻烦用的时候才知道值。把验证流程走扎实后面写代码才能心无旁骛。
开发实战：TXT朗读器实现)
