Python3.6与PyTorch1.8.1环境配置指南：CUDA11.1兼容方案

1. 为什么你需要这份“复古”配置指南？

嘿，朋友们，今天咱们来聊一个有点“复古”但又非常实际的话题：在Python 3.6的环境下，配置PyTorch 1.8.1，并且让它稳稳地跑在CUDA 11.1上。你可能会问，现在Python都出到3.12了，PyTorch也奔着2.0+去了，为啥还要折腾这个老版本组合？这事儿我太有发言权了，因为在实际工作中，尤其是在维护一些老项目、部署一些遗留的生产环境，或者复现一些经典的学术论文代码时，你经常会撞上这个“钉子”。很多优秀的模型和代码库就是基于这个特定的环境开发的，你强行用新版本，大概率会碰到各种依赖冲突、API不兼容的坑，调试起来那叫一个酸爽。

所以，这份指南就是为你准备的，如果你恰好有一台老一点的服务器，或者你的项目代码锁死了Python 3.6和PyTorch 1.8.1，那么跟着我一步步走，就能避开我当年踩过的那些坑，顺利把环境搭起来。整个过程的核心目标就一个：在正确版本的驱动和CUDA支持下，通过最稳定、最快速的国内镜像源，把PyTorch 1.8.1 + CUDA 11.1这个“黄金组合”给装好。别担心，哪怕你是个刚接触深度学习环境配置的小白，我也会用最直白的话把每一步讲清楚。

2. 环境准备：打好地基，检查“三大件”

配置环境就像盖房子，地基不稳，后面全得塌。在动手安装任何东西之前，我们必须先确认三样东西：操作系统、Python版本和NVIDIA显卡驱动。这三者是整个PyTorch GPU环境运行的基石。

2.1 确认你的Python 3.6

首先，我们得确保系统里确实有Python 3.6。打开你的终端（Linux/macOS）或者命令提示符/PowerShell（Windows），输入：

python --version

或者

python3 --version

如果显示的是 Python 3.6.x（比如3.6.8, 3.6.9等），那就对了。如果没有，或者版本不对，你就需要先安装或激活一个Python 3.6的环境。我强烈推荐使用 conda 或者 pyenv 这类环境管理工具来创建独立的Python环境，这样可以避免把你系统里其他项目的环境搞乱。用conda的话，命令很简单：

conda create -n pytorch_legacy python=3.6
conda activate pytorch_legacy

这样你就进入了一个纯净的、只有Python 3.6的“沙箱”，接下来所有的操作都在这里面进行，不会影响外部。

2.2 检查NVIDIA驱动与CUDA兼容性

这是最关键的一步，直接决定了你的PyTorch能不能用上GPU加速。我们需要两个命令。

第一步，看驱动版本：

nvidia-smi

这个命令会弹出一个表格，右上角显示着你的 NVIDIA驱动版本。CUDA 11.1要求驱动版本至少是 450.80.02。我实测过，如果你的驱动版本是450系列或者更高（比如460，470，甚至现在的525，535），那都是可以向下兼容CUDA 11.1的。但如果你的驱动版本太老，比如418，那对不起，你得先去NVIDIA官网下载更新你的显卡驱动了。

第二步，看系统CUDA版本（可选但建议）：

nvcc --version

这个命令查看的是你系统里通过NVIDIA CUDA Toolkit安装的CUDA版本。注意，nvidia-smi显示的CUDA版本是驱动最高能支持的CUDA版本，而nvcc --version显示的是你实际安装的CUDA Toolkit版本。对于PyTorch来说，它自带所需的CUDA运行时库，所以即使你系统没装CUDA 11.1的Toolkit，只要驱动够新，PyTorch也能通过自带的库调用GPU。但为了环境统一和避免其他依赖出问题，我建议你系统里也安装一个CUDA 11.1的Toolkit。不过别急，我们可以稍后用conda来安装，这样最干净。

简单总结一下：驱动版本 >= 450.80.02 是硬性门槛。满足了这一点，我们就成功了一大半。

3. 选择与配置安装源：让下载飞起来

环境检查无误，接下来就要准备安装了。直接从PyTorch官网下载安装包，对于国内用户来说，速度可能慢如蜗牛，甚至经常失败。所以，使用国内镜像源是必选项，能节省大量时间和避免网络烦恼。

3.1 理解PyTorch的安装渠道

PyTorch官方提供了几种安装方式：pip、conda和libtorch。对于我们这个特定版本组合，pip是最直接、最不容易出错的。PyTorch会把针对不同CUDA版本编译好的“轮子”文件（.whl）放在 https://download.pytorch.org/whl/ 这个目录下。我们需要的就是CUDA 11.1对应的轮子，它的路径标签是 cu111。

3.2 配置国内镜像源

国内有几个非常棒的镜像站，比如清华大学的TUNA镜像源和阿里云的镜像源。它们会定时同步PyTorch官方的软件包，我们从它们那里下载，速度能有几MB/s甚至更高。

但是，这里有个小陷阱。PyTorch的主包 torch 和相关的 torchvision、torchaudio，有时候镜像源同步并不完整，或者某些特定版本只有官方源才有。因此，最稳妥的命令格式是：指定国内镜像源作为主要索引，同时把官方源作为额外索引。这样，pip会优先从国内源查找，如果找不到（比如某些版本的torchaudio），再去官方源找。

以最常用的清华源为例，完整的安装思路是这样的：

pip install torch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

这个命令里，-f 参数指定了一个PyTorch官方的索引文件，它列出了所有可用的稳定版轮子。-i 参数则指定了优先使用的镜像源地址。

不过，根据我的经验，对于 torch==1.8.1+cu111 这个精确版本，使用下面这个更直接的命令成功率更高，它明确指定了CUDA版本和索引：

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

如果清华源因为网络问题不稳定，你可以把 -i 后面的地址换成阿里云的源 https://mirrors.aliyun.com/pypi/simple/，同样好用。

4. 分步安装与验证：亲手点亮GPU

理论准备就绪，现在开始实战。我会把每一步的命令和可能遇到的情况都列出来。

4.1 安装CUDA Toolkit（conda推荐方式）

虽然PyTorch自带运行时，但为了万无一失，我们可以用conda安装一个cudatoolkit。conda的好处是它会把库安装在当前环境内，完全独立于系统，管理起来特别方便。

conda install cudatoolkit=11.1 -c conda-forge

这里指定了版本11.1，并且从conda-forge这个频道获取，软件包通常更新更及时。

4.2 执行PyTorch安装命令

现在，在已经激活的Python 3.6环境中，运行我们精心准备的pip命令。我建议先单独安装torch，确认成功后再安装vision和audio。

pip install torch==1.8.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

静静等待下载和安装。如果一切顺利，你会看到大段的成功安装信息。然后继续安装配套的torchvision和torchaudio：

pip install torchvision==0.9.1+cu111 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：torchaudio==0.8.1 这个版本在有些镜像里可能没有对应的cu111版本，如果安装失败，可以尝试不指定CUDA版本，只安装 torchaudio==0.8.1，或者安装版本 0.8.0。对于大多数视觉任务，torchaudio不是必须的。

4.3 至关重要的验证环节

安装完成绝不等于大功告成。一定要验证！打开Python解释器：

import torch
print(torch.__version__)  # 应该输出：1.8.1+cu111
print(torch.cuda.is_available())  # 梦寐以求的 True！
print(torch.cuda.get_device_name(0))  # 显示你的GPU型号，例如：NVIDIA GeForce RTX 3080
print(torch.cuda.current_device())  # 显示当前使用的GPU索引

如果 torch.cuda.is_available() 返回 True，那么恭喜你，你的PyTorch已经成功识别并可以调用GPU了！如果返回 False，别慌，我们还有排查步骤。

5. 常见问题排查与解决指南

即使按照步骤来，也可能遇到问题。这里我把自己和朋友们踩过的坑汇总一下，帮你快速定位。

5.1 CUDA不可用（False）怎么办？

这是最常见的问题。请按照以下顺序排查：

1. 驱动再确认：再次运行 nvidia-smi，确认驱动版本确实>=450.80.02，并且这个命令能正常输出，没有报“命令找不到”。如果找不到，说明驱动没装好或者没加入系统路径。
2. 环境冲突：你是否在正确的conda环境里？运行 conda activate pytorch_legacy 再试试。有时候在终端里看着环境名对了，但实际Python路径可能不对。
3. PyTorch版本错误：确认你安装的torch版本字符串里包含 +cu111。有时网络问题会导致pip silently fallback到一个CPU版本的torch。你可以用 pip list | grep torch 查看。
4. 多版本CUDA冲突：如果你的系统安装了多个CUDA版本（比如通过/usr/local/cuda-11.1和/usr/local/cuda-12.1），可能会产生链接混乱。一个治本的方法是，在conda环境内安装cudatoolkit（如4.1步骤所述），并确保在激活该环境时，系统环境变量LD_LIBRARY_PATH（Linux）或PATH（Windows）优先指向conda环境内的CUDA库。conda环境通常会自动管理好这些。

5.2 安装过程中报错“找不到满足要求的版本”

这种错误通常是因为pip在指定的索引里找不到你要求的精确版本。可以尝试：

• 移除版本精确锁定：试试 pip install torch==1.8.1 torchvision==0.9.1 不指定+cu111，让pip自动选择兼容的CUDA版本。但这样有风险选到CPU版。
• 更换镜像源：将 -i 参数后的清华源换成阿里云源 https://mirrors.aliyun.com/pypi/simple/。
• 仅使用官方源：作为最后的手段，去掉 -i 参数，直接 pip install torch==1.8.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html。虽然慢，但最全。

5.3 运行时出现“CUDA out of memory”或其它CUDA错误

这说明PyTorch能识别GPU了，但使用中出了问题。

• 显存不足：这是好消息也是坏消息。好消息是GPU能用，坏消息是你的模型或数据批次太大。尝试减小batch_size。
• CUDA内核错误：可能是你的代码或某个依赖库与CUDA 11.1不兼容。尝试更新你的代码，或者检查是否有其他CUDA相关的包（如numba, cupy）版本冲突。

6. 巩固与优化：让环境更健壮

环境配好了，顺手做几个优化，能让后续开发更顺畅。

6.1 固定依赖版本

创建一个 requirements.txt 文件，记录下当前环境所有包的精确版本，方便以后复现或部署。

pip freeze > requirements.txt

对于这个环境，文件里关键的行应该是：

torch==1.8.1+cu111
torchvision==0.9.1+cu111
torchaudio==0.8.1

6.2 考虑使用Docker（高级但一劳永逸）

如果你需要频繁在不同机器上部署这个环境，或者追求极致的隔离性和可复现性，那么Docker是终极解决方案。你可以基于一个Python 3.6的官方镜像，编写Dockerfile，将上述安装步骤固化其中。这样，在任何支持Docker的机器上，一条命令就能启动一个完全一致的环境。这对于团队协作和持续集成/持续部署（CI/CD）流程来说，是标准做法。

6.3 性能微调

环境稳定后，可以关注一下性能。确保你的显卡处于性能模式（对于笔记本，注意电源设置）。在PyTorch代码中，可以使用 torch.backends.cudnn.benchmark = True 来让cuDNN自动寻找最适合你硬件和输入尺寸的高效卷积算法，这对迭代训练有一定加速效果。不过，如果你的输入尺寸变化频繁，这个开关反而会降低效率。

走完以上所有步骤，你应该已经拥有了一个稳定可用的Python 3.6 + PyTorch 1.8.1 + CUDA 11.1开发环境。这套组合虽然版本不新，但在其适用的场景下非常可靠。记住，在深度学习领域，环境的可复现性往往比追求最新版本更重要。下次当你再遇到那些指明需要“PyTorch 1.8”的老项目时，你就可以从容不迫地掏出这份指南，快速搭建起属于你的“时光机”，让经典的代码重新焕发活力。