用過一陣子 Linux 服務(wù)器的朋友大概都經(jīng)歷過這么一幕好不容易拿到一臺機(jī)器的權(quán)限想裝 PyTorch 跑個(gè)模型結(jié)果卡在了第一步——環(huán)境裝不對。conda 裝 PyTorch 這件事看起來就是一句conda install pytorch的事但真到了服務(wù)器上才發(fā)現(xiàn)坑一個(gè)接一個(gè)下載慢到懷疑人生、GPU 版本裝成了 CPU、裝完import torch報(bào)錯(cuò)、甚至把系統(tǒng)自帶的 Python 環(huán)境搞得一團(tuán)糟。這篇文章寫給兩類人一類是剛接手服務(wù)器、需要在上面搭深度學(xué)習(xí)環(huán)境的新手另一類是本地環(huán)境一直沒事、一上服務(wù)器就各種踩坑的老手。我會從最容易被忽略的準(zhǔn)備工作講起把 conda 安裝 PyTorch 的完整鏈路拆開揉碎包括硬件和驅(qū)動(dòng)檢查、conda 源加速、環(huán)境隔離思路、GPU 版與 CPU 版的區(qū)別、裝完之后的驗(yàn)證方法以及重裝和卸載時(shí)容易踩的坑。內(nèi)容基于我自己在實(shí)際服務(wù)器上折騰多輪的經(jīng)驗(yàn)多數(shù)步驟可以直接照著抄。1. 安裝前先回答三個(gè)問題顯卡、驅(qū)動(dòng)、CUDA到底什么關(guān)系很多人一上來就急著敲安裝命令這是最容易翻車的地方。PyTorch 能不能用 GPU取決于三個(gè)東西物理顯卡、顯卡驅(qū)動(dòng)、CUDA 之間的配合關(guān)系。先弄清楚這三個(gè)角色后面才不會一臉懵。1.1 先看你的服務(wù)器有沒有 GPU、是什么型號登錄服務(wù)器后先用這個(gè)命令看一眼有沒有 NVIDIA 顯卡lspci | grep -i nvidia如果輸出一堆帶有 NVIDIA 字樣的內(nèi)容說明物理顯卡在如果什么輸出都沒有那大概率是一臺純 CPU 機(jī)器直接裝 CPU 版 PyTorch 就行不用折騰 GPU 了。有顯卡的話再看具體型號nvidia-smi如果提示command not found說明驅(qū)動(dòng)沒裝好或者裝在了非默認(rèn)路徑。這一步先記住 GPU 型號和顯存大小后面選 PyTorch 版本時(shí)用得上。如果nvidia-smi能正常輸出可以在輸出的最上方看到類似Driver Version: 535.xxx和CUDA Version: 12.x的信息這兩行數(shù)字非常關(guān)鍵。1.2 驅(qū)動(dòng)版本和 CUDA 版本的匹配邏輯很多新手把“CUDA 版本”誤解為 PyTorch 自帶的東西其實(shí)不對。顯卡驅(qū)動(dòng)是系統(tǒng)層的東西它決定你最高能支持到哪個(gè) CUDA 版本PyTorch 里帶的 CUDA 是運(yùn)行時(shí)庫只要它的版本不高于驅(qū)動(dòng)支持的版本就能正常工作。打個(gè)比方驅(qū)動(dòng)像是手機(jī)系統(tǒng)版本決定了你最多能裝什么 AppPyTorch 是 App 本身它只能在系統(tǒng)允許的范圍內(nèi)運(yùn)行。舉個(gè)例子如果你的機(jī)器顯示Driver Version: 535.154.05, CUDA Version: 12.2那么就意味著驅(qū)動(dòng)最高支持 CUDA 12.2。這種情況下你裝 PyTorch 時(shí)選cuda 12.1或cuda 11.8都是沒問題的但如果你裝的是需要 CUDA 13.x 的版本就可能報(bào)錯(cuò)。注意nvidia-smi里顯示的 CUDA Version 是驅(qū)動(dòng)支持的上限不是說你已經(jīng)裝了對應(yīng)版本的 CUDA 工具包。PyTorch 官方編譯好的pytorch包自帶 CUDA 運(yùn)行時(shí)你不需要單獨(dú)再裝完整的 CUDA Toolkit除非你要自己編譯其他依賴 CUDA 的擴(kuò)展庫。1.3 不確定的時(shí)候怎么選版本我個(gè)人的經(jīng)驗(yàn)是只要不是極端情況優(yōu)先選 PyTorch 官方當(dāng)前在穩(wěn)定渠道主推的 CUDA 版本比如 11.8 或 12.1。這些版本經(jīng)過最多人驗(yàn)證社區(qū)反饋多遇到問題時(shí)搜索到的解決方案也最多。如果你完全不熟悉服務(wù)器上的驅(qū)動(dòng)狀態(tài)穩(wěn)妥的辦法是先在機(jī)器上跑一遍nvidia-smi直接看驅(qū)動(dòng)支持的最高 CUDA 版本然后從 PyTorch 官網(wǎng)或者 conda 可下載的版本里挑一個(gè)不高于這個(gè)數(shù)字的版本。別一上來就追求最新穩(wěn)定才是王道。2. conda 下載慢不是玄學(xué)源配置和緩存策略一次說透在服務(wù)器上用 conda 裝 PyTorch最大的痛點(diǎn)十有八九是下載速度。這背后有幾個(gè)原因默認(rèn)源在國外、PyTorch 的包體積大、服務(wù)器網(wǎng)絡(luò)環(huán)境往往比本地復(fù)雜。市面上各種“科學(xué)加速”“鏡像加速”的說法也比較魚龍混雜我這里只講正規(guī)、合規(guī)、安全的提速方式。2.1 從默認(rèn)源切到國內(nèi)鏡像源conda 默認(rèn)從官方源拉取包很多人第一次裝 PyTorch 就掛在Collecting package metadata這一步等半天甚至直接超時(shí)。解決辦法是把 conda 的默認(rèn)源指向國內(nèi)高?；蚱髽I(yè)提供的開源鏡像站通常在~/.condarc文件里配置。conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes需要注意的是PyTorch 官方編譯好的 conda 包在pytorch這個(gè) channel 里而不是默認(rèn)的main或conda-forge。如果只用清華源可能會找不到pytorch包需要在安裝時(shí)顯式指定conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia-c pytorch表示從 PyTorch 官方 channel 拉取核心包-c nvidia拉取 CUDA 相關(guān)依賴。這兩個(gè) channel 的包有時(shí)候還是慢因?yàn)閮?nèi)容托管在國外的鏡像上。2.2 慢的真正原因和有效應(yīng)對很多時(shí)候你感覺 conda 卡住了其實(shí)不全是下載速度的問題而是 conda 在解決依賴關(guān)系dependency resolution時(shí)需要大量計(jì)算這個(gè)過程反而耗時(shí)更長。尤其當(dāng)你 conda 版本較老、環(huán)境中已裝了很多包時(shí)Solving environment階段可能持續(xù)十幾分鐘看起來就像死機(jī)了一樣。幾個(gè)有效做法盡量用最新版 conda老版本在依賴解析算法上差很多新版明顯更快。給 conda 配上-c conda-forge時(shí)要謹(jǐn)慎conda-forge 上的 PyTorch 可能和官方包版本不完全一致混裝時(shí)容易引起依賴沖突。如果網(wǎng)絡(luò)條件實(shí)在不行可以先把 wheel 包或 conda 包下載到本地再用conda install --offline方式安裝。但這種方式對新手來說麻煩且易出錯(cuò)我個(gè)人建議優(yōu)先通過配置國內(nèi)鏡像 指定-c pytorch來解決絕大多數(shù)情況下都能接受。2.3 包緩存路徑的實(shí)用技巧conda 會默認(rèn)把下載的包緩存在安裝目錄下的pkgs文件夾里。如果同一臺服務(wù)器上有多個(gè)人都要裝 PyTorch或者你反復(fù)重裝環(huán)境可以把緩存目錄軟鏈到一個(gè)容量大的磁盤分區(qū)避免因?yàn)?home或/root分區(qū)空間不足導(dǎo)致安裝失敗。# 查看當(dāng)前緩存目錄位置 conda config --show pkgs_dirs # 修改緩存目錄 conda config --add pkgs_dirs /data/conda_pkgs這個(gè)操作在數(shù)據(jù)盤較大、系統(tǒng)盤較小的服務(wù)器上特別實(shí)用。我遇到過兩次因?yàn)?root分區(qū)寫滿導(dǎo)致 conda 直接報(bào)錯(cuò)的案例都是靠把pkgs_dirs挪到數(shù)據(jù)盤解決的。3. 從建環(huán)境到裝 PyTorch完整命令行流程3.1 為什么強(qiáng)烈不建議直接裝到 base 環(huán)境很多教程上來就讓用戶conda install pytorch直接裝這對于自己的個(gè)人電腦也許勉強(qiáng)可以但在服務(wù)器上是典型的壞習(xí)慣。服務(wù)器上的 Python 環(huán)境往往是很多人共用的一旦你在 base 環(huán)境裝了這個(gè)那個(gè)很可能破壞某些項(xiàng)目依賴的舊版本庫而且日后想整體干凈重來非常麻煩。正確做法是為 PyTorch 單獨(dú)建一個(gè)虛擬環(huán)境conda create -n torch_env python3.10 conda activate torch_envpython3.10這個(gè)版本選擇是有講究的。某些很新的 Python 版本比如剛發(fā)布的大版本在 PyTorch 上可能還沒有完全適配的預(yù)編譯包而太老的版本又可能不支持新特性或缺少維護(hù)。在寫這篇文章的時(shí)間點(diǎn)上Python 3.9、3.10 是久經(jīng)驗(yàn)證的穩(wěn)定選擇3.11 大部分情況也能用。如果在 conda 解析依賴時(shí)報(bào)“找不到匹配版本”的錯(cuò)最直接的辦法是把 Python 版本降到 3.10 或 3.9。3.2 GPU 版安裝命令的選擇邏輯創(chuàng)建好環(huán)境并激活后接下來就是安裝。以當(dāng)前比較常用的 CUDA 12.1 版本為例命令是conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia這里做了一個(gè)很關(guān)鍵的事情顯式指定了pytorch-cuda12.1。如果不寫這一項(xiàng)conda 很可能只裝 CPU 版的 PyTorch因?yàn)?CPU 版不依賴額外的 CUDA 庫依賴解析更容易通過conda 在“偷懶”狀態(tài)下會優(yōu)先選擇它。很多人裝完才發(fā)現(xiàn)torch.cuda.is_available()返回False折騰半天最后發(fā)現(xiàn)原因就是這里。如果你的機(jī)器是純 CPU 環(huán)境或者暫時(shí)不需要 GPU直接裝conda install pytorch torchvision torchaudio cpuonly -c pytorchcpuonly這個(gè)包的作用是讓 conda 明確選擇 CPU 版本加上它之后conda 不會傻乎乎地給你拉一個(gè)需要 CUDA 的版本過去。3.3 torch、torchvision、torchaudio 三者版本必須匹配這三個(gè)包是一套的版本之間高度耦合。torchvision 是視覺庫torchaudio 是音頻庫它們在編譯時(shí)就是跟某個(gè)特定版本的 PyTorch 綁定的。如果你今天用conda install裝 torch明天用pip install升級了 torch然后發(fā)現(xiàn) torchvision 導(dǎo)不進(jìn)來報(bào)錯(cuò)信息往往是undefined symbol一類的非常難查。盡量一次性用同樣的方式conda 或 pip二選一安裝三個(gè)包并讓 conda 自動(dòng)解決版本依賴。不要這邊裝一部分、那邊補(bǔ)一部分。3.4 安裝過程中的常見卡點(diǎn)應(yīng)對裝的過程中最容易卡住的有兩個(gè)階段第一階段是Solving environment。如果幾分鐘內(nèi)還在轉(zhuǎn)圈可以考慮用conda search確認(rèn)一下指定版本是否存在conda search pytorch --channel pytorch第二種卡在Downloading and Extracting Packages大概率是網(wǎng)絡(luò)對某個(gè) channel 的連接不穩(wěn)。這時(shí)候不要反復(fù) CtrlC 重來建議刪掉本地未完成的緩存重新執(zhí)行安裝命令conda clean --tarballs conda clean --packages conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidiaconda clean這個(gè)操作非常有效它能清掉那些校驗(yàn)不完整、被中斷的下載緩存避免 conda 錯(cuò)誤地復(fù)用它。4. 裝完不報(bào)錯(cuò)不等于能用三大驗(yàn)證步驟很多人裝完 PyTorch 之后看到conda list里有pytorch就覺得大功告成了其實(shí)這時(shí)候距離“真正能用”還差好幾步。這幾步驗(yàn)證不能省尤其在有 GPU 的服務(wù)器上否則很容易帶著“假環(huán)境”跑掉了整個(gè)訓(xùn)練任務(wù)最后報(bào)錯(cuò)時(shí)排查浪費(fèi)半天時(shí)間。4.1 用 Python 直接驗(yàn)證導(dǎo)入和版本conda activate torch_env python -c import torch; print(torch.__version__)如果看到類似2.0.1這樣的版本號說明導(dǎo)入沒問題。這一步能篩掉一大半的“裝完了但環(huán)境有問題”的情況。4.2 驗(yàn)證 GPU 是否真的可用這條命令是最關(guān)鍵的python -c import torch; print(torch.cuda.is_available())輸出True才是真正能調(diào)用 GPU 的狀態(tài)。如果輸出False常見原因有裝成了 CPU 版本或者 conda 沒把 CUDA 依賴裝上驅(qū)動(dòng)版本太低PyTorch 編譯時(shí)使用的 CUDA 版本高于驅(qū)動(dòng)支持上限conda 環(huán)境里的LD_LIBRARY_PATH被污染導(dǎo)致加載不了 CUDA 動(dòng)態(tài)庫接下來再確認(rèn)一下 GPU 卡的信息python -c import torch; print(torch.cuda.get_device_name(0))如果能正常輸出顯卡型號說明 CUDA 上下文已經(jīng)建起來了。注意第一次調(diào)用 CUDA 時(shí)服務(wù)器偶爾會出現(xiàn)“慢半拍”的現(xiàn)象這不是故障。很多庫需要在首次運(yùn)行時(shí)做 JIT 編譯或初始化緩存多跑一次就正常了。4.3 跑一個(gè)最小訓(xùn)練任務(wù)驗(yàn)證全鏈路導(dǎo)入成功和 GPU 可用只是最基礎(chǔ)的兩關(guān)。我建議你新建一個(gè)測試腳本做一次真實(shí)的小規(guī)模矩陣乘法或模型訓(xùn)練確認(rèn)計(jì)算鏈路是通的import torch print(CUDA available:, torch.cuda.is_available()) # 模擬一個(gè)小型計(jì)算任務(wù) x torch.randn(1024, 1024, devicecuda) y torch.randn(1024, 1024, devicecuda) z torch.matmul(x, y) print(Matrix multiplication result shape:, z.shape) # SGVGD 風(fēng)格的模擬優(yōu)化器 a torch.randn(100, 100, devicecuda, requires_gradTrue) b torch.randn(100, 100, devicecuda, requires_gradTrue) optimizer torch.optim.SGD([a, b], lr0.01) loss (a - b).pow(2).sum() loss.backward() optimizer.step() print(Optimizer step OK, loss , loss.item())跑出正常結(jié)果說明這一套環(huán)境至少在基礎(chǔ)計(jì)算層面是可以用的。4.4 順手檢查一下環(huán)境內(nèi)的依賴完整性PyTorch 正常工作還依賴numpy、typing-extensions等一堆庫。如果你在 PyTorch 已經(jīng)裝好的環(huán)境里后來又手動(dòng)裝了別的大包可能會無意間覆蓋某些依賴版本。建議用conda list | grep -E torch|numpy|nvidia|cuda把關(guān)鍵包版本列出來看一眼。如果發(fā)現(xiàn) numpy 版本異常新或異常舊主動(dòng)用 conda 降級或升級到與 PyTorch 兼容的范圍。5. 環(huán)境隔離和版本鎖多人共用服務(wù)器的生存之道服務(wù)器的使用場景常常不只是你一個(gè)人。實(shí)驗(yàn)室一臺機(jī)器七八個(gè)人來回用環(huán)境如果不隔離很快就會變成一團(tuán)亂麻。conda 的環(huán)境隔離機(jī)制一開始可能覺得“多此一舉”但實(shí)際上它是最便宜、最有效的時(shí)間投資。5.1 用conda create為每個(gè)任務(wù)單獨(dú)建環(huán)境我個(gè)人的習(xí)慣是一個(gè)項(xiàng)目或一個(gè)大類任務(wù)一個(gè)獨(dú)立環(huán)境。環(huán)境命名和environment.yml文件保持和項(xiàng)目同步。比如conda env export -n torch_env environment.yml以后在任何一臺機(jī)器上想復(fù)現(xiàn)環(huán)境只需要conda env create -f environment.yml這個(gè)文件會把當(dāng)前環(huán)境里的包版本、channel 信息都記錄下來。注意它也會帶上本機(jī)路徑信息在另一臺機(jī)器上恢復(fù)時(shí)可能有少量偏差但絕大多數(shù)情況下是可用的。5.2 用 conda-lock 或環(huán)境文件鎖版本服務(wù)器上的一個(gè)大問題是“昨天還能跑今天突然不能跑了”。大多數(shù)情況就是依賴版本被升級破壞了。PyTorch 自身升級比如從 2.0 升到 2.1在 API 層面差異不大但與其配套的torchvision、torchaudio如果不同步升級很容易出現(xiàn) ABI 不兼容。如果項(xiàng)目對版本非常敏感我建議除了environment.yml還要關(guān)注 PyTorch 官方對每個(gè)版本的 CUDA 支持情況。在 conda 里用pytorch-cuda12.1這樣的方式固定 CUDA 主版本也是變相給環(huán)境加了一道鎖。5.3 顯存和進(jìn)程管理的心得環(huán)境隔離能解決軟件層面的混亂但解決不了硬件資源爭奪。服務(wù)器上多人同時(shí)跑訓(xùn)練任務(wù)經(jīng)常會因?yàn)轱@存不夠?qū)е逻M(jìn)程被殺。所以在服務(wù)器上用 PyTorch 時(shí)光會安裝不夠還得會用工具觀察資源占用nvidia-smi要養(yǎng)成定時(shí)查看顯存占用情況的習(xí)慣別等到程序報(bào)CUDA out of memory再手忙腳亂地找問題。6. 重裝和卸載處理“曾經(jīng)裝過但搞壞了”的環(huán)境服務(wù)器上裝環(huán)境不像是手機(jī)裝 App不想要了直接刪。conda 裝 PyTorch 時(shí)會在環(huán)境里寫入大量依賴如果不清干凈殘留的舊庫會和新的環(huán)境互相干擾。這部分經(jīng)驗(yàn)是我踩了不少坑才總結(jié)出來的。6.1 環(huán)境的干凈刪除當(dāng)你覺得當(dāng)前環(huán)境已經(jīng)不可救藥時(shí)最快的辦法不是試圖修而是直接刪掉重建conda deactivate conda env remove -n torch_env然后再重新創(chuàng)建環(huán)境。刪除環(huán)境不會動(dòng)服務(wù)器上其他環(huán)境也不用擔(dān)心影響別人。6.2 殘留文件的排查如果刪除后你在~/.cache/torch、/tmp或者當(dāng)前目錄下發(fā)現(xiàn)一些殘留的.so庫、日志文件不用太緊張大多數(shù)不影響使用。真正需要擔(dān)心的是PYTHONPATH環(huán)境變量被設(shè)置到舊的庫路徑上導(dǎo)致新環(huán)境調(diào)用時(shí)串包。排查方法echo $PYTHONPATH如果在激活 torch_env 之前這個(gè)變量就指向某個(gè)奇怪的路徑建議在.bashrc或.profile里把它清掉或者設(shè)置成空值。6.3 多個(gè)環(huán)境并行時(shí)的LD_LIBRARY_PATH問題這個(gè)坑非常隱蔽。當(dāng)你的系統(tǒng)里同時(shí)裝了多個(gè)版本的 CUDA 庫比如某項(xiàng)目自己裝了 CUDA 11.8另一個(gè)項(xiàng)目裝了 CUDA 12.1而LD_LIBRARY_PATH里同時(shí)包含了這兩個(gè)路徑時(shí)運(yùn)行時(shí)可能會加載錯(cuò)動(dòng)態(tài)庫。癥狀很典型PyTorch 導(dǎo)入成功但一調(diào)用 GPU 就報(bào)libcudart.so.xxx: version not found。解決辦法很簡單但需要耐心逐項(xiàng)檢查LD_LIBRARY_PATH里各路徑的先后順序把當(dāng)前環(huán)境需要的 CUDA 路徑排在前面?；蛘咴趩?dòng)任務(wù)前先unset LD_LIBRARY_PATH再激活 conda 環(huán)境。conda 本身會自動(dòng)管理它需要的庫路徑你先把它清干凈反而能避免很多環(huán)境沖突。7. conda、pip 混用時(shí)的順序感誰先誰后會有大差別PyTorch 生態(tài)里很多擴(kuò)展包比如某些模型庫、分布式訓(xùn)練工具主要是通過 pip 發(fā)布的這就導(dǎo)致一個(gè)很實(shí)際的問題一個(gè)環(huán)境里PyTorch 本體用 conda 裝其他依賴用 pip 裝那么先裝哪個(gè)、后裝哪個(gè)會不會有影響7.1 先 conda 后 pip是通用原則我個(gè)人的實(shí)踐是PyTorch 及其核心配套torchvision、torchaudio只用 conda 裝其他一切輔助庫都在這之后再用 pip 補(bǔ)裝。順序上一定是先 conda 后 pip。原因是 conda 和 pip 管理依賴的機(jī)制不一樣。conda 在安裝時(shí)會做整體的依賴解析如果你先用 pip 裝了一大堆包后面 conda 再裝 PyTorch 時(shí)發(fā)現(xiàn)某些依賴版本已經(jīng)在環(huán)境中了就可能出現(xiàn)“Either way我硬塞一個(gè)版本沖突進(jìn)去”的情況輕則警告重則直接報(bào)錯(cuò)。7.2 如果 pip 裝完發(fā)現(xiàn)把環(huán)境搞亂了這種情況很常見。比如你 pip 安裝某個(gè)包時(shí)它把numpy自動(dòng)升級到了 2.x而 PyTorch 老版本根本不兼容 numpy 2.x導(dǎo)致一運(yùn)行就報(bào)module compiled against API version之類的錯(cuò)。處理方法有兩種第一種是直接用 conda 強(qiáng)制降級conda install numpy1.26第二種是別掙扎直接刪環(huán)境重建。如果項(xiàng)目本身依賴不復(fù)雜重建往往比救環(huán)境省時(shí)間。7.3 pip 安裝時(shí)要注意的編譯類依賴pip 裝 PyTorch 擴(kuò)展時(shí)經(jīng)常需要編譯 C/CUDA 擴(kuò)展。這時(shí)候服務(wù)器上如果沒有g(shù)cc、make、ninja等工具會直接報(bào)編譯錯(cuò)誤。雖然這類問題不屬于 conda 安裝 PyTorch 的主流程但既然做服務(wù)器環(huán)境建設(shè)順手把基礎(chǔ)編譯工具裝了很必要conda install gcc_linux-64 gxx_linux-64或者直接讓系統(tǒng)包管理器來裝。注意 conda 里的gcc和系統(tǒng)gcc是兩套東西如果編譯時(shí)把 conda 的庫路徑和系統(tǒng)庫路徑混在一起容易產(chǎn)生鏈接錯(cuò)誤。保持環(huán)境簡單清晰用哪套就固定哪套是減少問題的核心思路。寫在最后說點(diǎn)掏心窩子的經(jīng)驗(yàn)。PyTorch 安裝這件事看起來技術(shù)含量不高但恰恰是這種“簡單事”最容易在項(xiàng)目初期消耗掉大家大量時(shí)間。我在服務(wù)器上折騰了這么多輪最大的體會是環(huán)境問題永遠(yuǎn)是“事前管理”比“事后補(bǔ)救”劃算?；ㄊ昼娨?guī)劃好環(huán)境結(jié)構(gòu)、確認(rèn)好硬件驅(qū)動(dòng)狀態(tài)、配置好鏡像源比出了問題再花兩小時(shí)排查要舒服得多。另外建議各位在自己常用的服務(wù)器上把本文提到的這些檢查命令整理成一個(gè)初始化腳本下次不管是新機(jī)器還是換團(tuán)隊(duì)都能快速跑一遍確認(rèn)環(huán)境狀態(tài)。畢竟真正該花時(shí)間的地方是模型和業(yè)務(wù)邏輯而不是在conda install上反復(fù)碰壁。