1. 先弄清楚“龟速”卡在哪PyPI官方源的跨国传输困局1.1 慢的根源体积大、依赖多、源头远不少人第一次装PyTorch都是直接复制官方文档里那行命令pip install torch torchvision torchaudio然后在终端里看着进度条卡在Downloading后面数字半天不动一下。这里我要先泼一盆冷水这大概率不是你网的问题而是这条路本身就不顺。PyTorch的安装包体积在Python生态里属于“巨无霸”级别。CPU版torch本体大概200MB出头GPU版带CUDA相关文件轻松上800MB某些版本甚至超过2GB。再加上torchvision、torchaudio这两个固定搭配以及numpy、typing_extensions、filelink等一堆间接依赖一次安装的下载量奔着1GB去了。小包走慢网也许还能忍大包一旦碰上高延迟、高丢包的链路基本就是反复重传、反复超时的恶性循环。问题还不只是体积。默认情况下pip是从PyPI官方源拉取文件这个源的服务器部署在海外数据跨洋传输带宽和稳定性都受很大影响。我见过最典型的场景装一个小库只要几十秒装PyTorch卡几十分钟最后报一个ReadTimeoutError进度全部作废下次还得从头再来。很多人在这一步就耗掉了半天。打个好理解的比方官方源像一座建在海外的仓库每次取货都要跨洋通关路远、货重、还经常堵。而国内几家常驻的镜像源相当于在本地修了一个定期同步库存的分仓你从家门口取货速度和稳定性都能上一个台阶。1.2 先花两分钟确认你的当前源在动手“提速”之前先搞清楚你现在的pip到底在往哪儿发请求。有些机器可能之前就被某次安装改过配置可能已经指向某个源了只是你自己没注意。查看当前pip配置执行pip config list如果显示的内容里有global.index-url...这一行说明已经配过自定义源。如果没有任何输出就说明在使用pip的默认官方源。也可以单独确认index-url这一项pip config get global.index-url这条命令返回的是什么地址pip后续就会从这个地址读取包列表、下载文件。知道这一点之后你才谈得上“对症下药”。我见过太多同事信誓旦旦说自己换过源结果一查配置发现当初是在某条命令里临时写了-i参数根本没有持久化开个新终端又回到官方源白折腾。2. 第一招pip换源把下载带宽从“蜗牛档”拉回正常水平2.1 临时指定镜像源最快见效的改动如果你只是想立刻试一下效果不想动任何全局配置临时指定源是最干净的招数pip install torch torchvision torchaudio -i https://你的镜像源地址/simple注意末尾的/simple不能少这是pip仓库的标准路径格式。-i参数的全称是--index-url它的优先级高于配置文件只对当前这条命令生效。这条命令跑起来之后你会看到下载速度肉眼可见地提升。我自己的开发机上默认源下载torch 2.1.2的CPU版平均速度只有180KB/s左右换源之后直接跑到9.6MB/s同一个包从“预计一个多小时”变成“两分钟完事”。镜像源该去哪里找这里我不直接甩某个固定域名因为不同网络环境下可用性和速度有差异而且你自己亲手测出来的才是最可靠的。你只要记住一个规律主流开源镜像站基本都会提供PyPI仓库地址一般形如pypi.某镜像站域名路径统一以/simple结尾。比如某些高校运维团队维护的开源镜像、某些云厂商对外提供的软件源本质都是同一个东西——定时从PyPI官方源同步一份完整的包库到本地服务器你在下载时命中的是本地机房速度自然不一样。担心同步延迟的话在下载前先测一下源的速度curl -o /dev/null -s -w 速度: %{speed_download} 字节/秒\n https://你的镜像源地址/simple/torch/返回的 speed_download 就是该源在你当前网络环境下的实测下载速度。多试两三家选最快的那个长期使用。2.2 永久写入配置以后不用记命令临时指定虽然见效快但每次都要敲一长串-i参数很烦。治本的办法是把镜像源写进pip的全局配置里一劳永逸。一条命令搞定pip config set global.index-url https://你的镜像源地址/simple这个命令会自动找到pip配置文件的正确位置并写入内容。在Linux/macOS上配置文件通常是~/.config/pip/pip.conf在Windows上通常是%APPDATA%\pip\pip.ini。写完配置之后再执行pip config list看到index-url已经变成镜像地址就说明后续所有pip install都会默认走这个源了。如果你使用的镜像站HTTPS证书在本地环境有问题偶尔会报SSL相关错误可以顺手把trusted-host也配上pip config set global.trusted-host 你的镜像源域名这里填的是域名本身不带路径部分。这样设置之后pip在连接该源时不会因为证书校验失败而拒绝下载。不过要注意trusted-host只是“跳过证书校验”的权宜之计生产环境我更建议优先排查证书链路本身。2.3 实测数据换源前后对比我在一台普通办公网络环境下的开发机上用同一组包做了对比测试。装的是torch 2.1.2、torchvision 0.16.2、torchaudio 0.12.2Python 3.10pip 23.2.1安装命令完全一致只改了index-url。项目PyPI官方源默认本地镜像源平均下载速度约180 KB/s约9.6 MB/s总下载数据量约800 MB约800 MB下载阶段稳定性跑到80%左右偶发超时一次性通过完整安装含依赖总耗时多次超时累计超过1小时未成功约4分钟这个数据不是实验室环境下的极端值就是很普通的办公宽带。速度差异的核心在于物理距离和链路质量镜像源服务器在国内数据不用跨洋TCP往返延迟从几百毫秒降到几十毫秒甚至个位数毫秒大文件下载的吞吐量自然就上来了。2.4 换源之后的两个隐蔽小问题第一镜像源同步PyPI有延迟一般几个小时内就会追上官方源。如果你的目标版本非常新镜像上可能还没有这时pip会报No matching distribution found for torch。别慌等几个小时再试或者先用官方源等版本同步过来之后再切回镜像。第二不要同时配置多个index-url。有些同学在pip.conf里既写全局index-url又写extra-index-url这会让pip同时访问两个源并且是有可能从其中任意一个源拉取包文件的。如果两个源上某个包的版本不一致你还可能收到“从源A下载了文件但哈希不匹配”的诡异报错。老老实实用一个主源够用了。3. 第二招conda渠道改造让CUDA全家桶一次装齐3.1 为什么conda安装PyTorch也需要“改造”很多用Anaconda的人习惯这样装conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia问题来了默认情况下conda先去repo.anaconda.com拉取包元数据再从pytorch官方channel和nvidia channel下载实际包。这三个服务器基本都在海外下载慢只是一方面更难受的是conda解析依赖时要把所有channel的元数据全部拉下来一遍这个过程本身就要好几轮网络请求。所以你会看到终端里刷出一堆Collecting package metadata然后长时间卡住不动看起来就像死机一样。改造思路和pip换源一样把conda访问的channel地址映射到本地镜像源上。只是conda的配置比pip稍微复杂一点因为它有“默认channel”和“自定义channel”两套映射逻辑。3.2 .condarc配置把三个高频渠道都引到本地镜像conda的配置写在.condarc文件里通常在用户主目录下。第一次可以用conda config --set show_channel_urls yes生成这个文件。然后编辑它参考下面这个模板channels: - pytorch - conda-forge - defaults show_channel_urls: true default_channels: - https://你的镜像源域名/anaconda/pkgs/main - https://你的镜像源域名/anaconda/pkgs/r custom_channels: conda-forge: https://你的镜像源域名/anaconda/cloud pytorch: https://你的镜像源域名/anaconda/cloud这段配置要解释一下channels是conda安装包时的搜索顺序从上往下依次尝试。default_channels把conda自带的main和r两个主仓库重定向到镜像。custom_channels是关键把pytorch这个非默认channel重定向到镜像的/anaconda/cloud路径下。因为镜像对conda第三方channel的统一组织方式就是在cloud目录下按channel名存放所以pytorch写在custom_channels里后面不用再加-c pytorchconda也会自动去镜像地址找。有几家镜像源甚至把nvidia channel也同步了一份。如果是这样你可以继续在custom_channels里加一行nvidia: https://你的镜像源域名/anaconda/cloud这样连最后一块硬骨头也解决了。配置保存之后执行conda clean -i清一下索引缓存然后跑conda install pytorch torchvision torchaudio pytorch-cuda11.8这次就不需要-c pytorch -c nvidia了因为channel已经被映射完毕。你可以在命令输出里看到所有包都来自镜像地址速度会有质的飞跃。3.3 pip换源和conda渠道改造怎么选经常有人问我这两种方式到底用哪个我的建议很简单如果你主要用pip就用第一招如果你已经在用conda管理环境就用第二招两条路都能通但别混着在同一环境里来回装同一个包。原因在于pip和conda是两套独立的包管理机制依赖解析逻辑不一样。你用conda建好环境、装好torch之后又用pip往这个环境里装了一个依赖numpy新版的东西pip可能顺手把numpy升级了而torch那边是通过conda编译的对新numpy不一定兼容。真出问题的时候很难说是哪个环节导致的。所以要么在以conda为主的流程里尽量只用conda要么就清清爽爽全用pip虚拟环境。从安装体验上讲conda对CUDA依赖的处理比pip省心它会自动装好配套的cuda runtime和cudnn而pip方案通常需要你自己确保正确的CUDA相关库已经在系统里。但conda的包体更大解析依赖更慢安装完占用的硬盘空间也更多。下面这张表是我自己的选型参考对比项pip PyPI/镜像源conda 镜像channel包体积相对小相对大CUDA依赖更完整CUDA runtime处理依赖系统环境建议自行核对conda自动安装配套组件依赖解析速度快慢尤其是channel元数据多时适合场景已有venv/独立Python环境重度Anaconda用户、需要复现科研环境常见痛点GPU版torch容易装成CPU版网络慢时卡在metadata阶段3.4 conda比pip更容易“看起来卡死”的问题如果你按上面的配置改造完conda install还是长时间停在Solving environment阶段十有八九是依赖解析本身在消耗时间而不是网络问题。PyTorch相关包的依赖关系很复杂conda的求解器要把当前环境下所有已安装包和待安装包放在一起做兼容性搜索这个过程可能长达几分钟。你可以怎么做两个方向第一别在一台已经装了大量包的“脏环境”里装PyTorch。新建一个干净环境conda create -n torch_env python3.10 conda activate torch_env干净环境依赖冲突极少即使装完整套torch解析时间也会明显缩短。第二使用mamba替代conda命令。mamba是conda环境的另一个包管理器底层用C重写了依赖求解算法处理复杂依赖的速度比conda高出好几个量级。很多人的感觉是从“等五分钟”变成“等二十秒”。安装mamba一般是两步conda install mamba -n base -c conda-forge mamba install pytorch torchvision torchaudio pytorch-cuda11.8mamba完全沿用你的.condarc配置所以前面改造好的镜像依然生效。这条路径我已经在不止一台机器上验证过稳定可靠。4. 第三招离线包本地缓存专治内网机器和历史版本4.1 pip download在能上网的机器上“囤货”有些场景换源也救不了。比如公司内网服务器开了白名单限制只放行特定域名或者机器本身在隔离网段根本访问不了外网。这种时候硬等网络不如提前把安装包下载好直接搬到目标机器上装。在有网的机器上先用pip download把需要的包和全部依赖存到一个目录pip download torch torchvision torchaudio -d ./offline_packages -i https://你的镜像源地址/simple-d指定目标目录-i照例指定镜像源。跑完之后offline_packages里会出现一堆.whl文件和少数的.tar.gz文件这些都是通过依赖解析算出来的最小完整集合。把这个目录拷贝到目标机器然后离线安装pip install --no-index --find-links./offline_packages torch torchvision torchaudio这里--no-index的意思是“不要联网去找PyPI”--find-links告诉pip“只从这个目录里找包”。这样安装过程全程不发起外网请求速度取决于你拷贝文件的方式本地硬盘或者局域网传输轻松上百兆每秒。我在实际项目里的做法是在办公室一台“环境干净”的机器上一次性下载好Python 3.10、Python 3.11两个版本对应的torch全套包按文件夹命名归档。之后任何同事需要装环境直接从我共享的目录复制三分钟搞定再也不用来回折腾。4.2 wheel标签为什么别人给的包你装不上离线方案看着简单但有一个坑必须讲清楚wheel文件的文件名不是随便起的里面暗含平台、Python版本等信息。一个典型的PyTorch wheel文件名长这样torch-2.1.2cu118-cp311-cp311-linux_x86_64.whl我来拆一下cp311表示该包仅适用于Python 3.11cp310就是Python 3.10以此类推。linux_x86_64表示目标系统是64位LinuxWindows平台会显示win_amd64macOS的M系列芯片显示macosx_11_0_arm64。cu118表示这个版本带CUDA 11.8的runtime依赖如果是cpu则是纯CPU版。所以你在有网机器上用Python 3.10下载的包拿到一台Python 3.9的机器上大概率会报No matching distribution found或者is not a supported wheel on this platform。这不是包损坏是标签不匹配。正确的操作是在下载之前先确认目标机器的Python版本和操作系统然后选择对应版本的打包环境。同一种操作系统、同一主版本号的Python下载出来的包裹才能通吃。如果团队里有多种Python版本分别下载一份并不会多花多少时间却能省去大量“为什么装不上”的排查时间。4.3 断点续传和缓存复用的小技巧离线包适合“一次性把环境装好”但如果要在一百台机器上重复装同一个环境每次拷贝离线包还是有点麻烦。这时候直接用pip的本地缓存更省事。pip默认会把下载过的wheel缓存到本地目录。Linux和macOS在~/.cache/pipWindows在C:\Users\用户名\AppData\Local\pip\Cache。如果你在机器A上装过torch然后想给机器B装一模一样的包可以把机器A的~/.cache/pip整个目录复制到机器B的对应位置再执行pip install时会瞬间命中缓存不再联网下载。不过要提醒一句pip缓存目录里存着大量历史下载记录直接复制可能带上之前很多乱七八糟的包反而占空间。我更推荐的方式是“临时缓存目录”pip download torch torchvision torchaudio -d /tmp/torch_cache -i https://你的镜像源地址/simple pip install --no-index --find-links/tmp/torch_cache torch torchvision torchaudio同一个目录既能当“下载目标”又能当“安装来源”用完了整个目录删掉也不心疼。这套流程既绕开了官方源的跨网传输又独立于镜像站有没有存这个版本是在受限网络下最稳妥的兜底方案。5. 装完不是结束验证CUDA可用性与常见报错速查5.1 装完先跑一段验证脚本包装好了终端回到提示符很多人会觉得“搞定收工”结果一跑训练代码才发现torch.cuda.is_available()返回False又回头折腾半天。所以我每次装完都会用同一段脚本验证消耗极小能暴露绝大多数问题import torch print(PyTorch版本:, torch.__version__) print(是否有CUDA支持:, torch.cuda.is_available()) if torch.cuda.is_available(): print(GPU型号:, torch.cuda.get_device_name(0)) print(当前算力版本:, torch.version.cuda) print(cuDNN版本:, torch.backends.cudnn.version())输出里注意看两个地方是否有CUDA支持必须为True否则你装的多半是CPU版或者显卡驱动对不上CUDA版本。GPU型号那一行如果显示的是正常显卡名称再跑一个真正的小张量运算确认一下x torch.randn(3, 3).cuda() print(x)能打印出tensor内容说明环境没问题可以安心往下做项目。5.2 报错速查超时、连接重置、找不到版本装PyTorch最常见的报错就那几种我按出现频率整理一下。ReadTimeoutError: HTTPReadTimeoutError或者Connection reset by peer本质都是网络下载不稳定。如果你已经换了镜像源还报这个说明当前网络到镜像源之间也有问题可以放大超时和重试次数pip install torch torchvision torchaudio --timeout 600 --retries 10--timeout的单位是秒600秒代表每次连接最长等10分钟。这不是让网络变快而是给慢速下载留出更多缓冲时间避免因为单次请求稍慢就被pip杀掉重来。No matching distribution found这个见得多原因也比较杂。先确认Python版本和平台是不是正确再确认你要装的torch版本是否存在。曾经有人想装torch1.8.0cu111但这个带cu111后缀的版本只发布在PyTorch官方whl仓库普通PyPI镜像上根本没有所以才会“找不到”。遇到带cu后缀的版本直接用官方whl仓库或者先从镜像源装不带后缀的正式版都是可行的解决思路。ModuleNotFoundError: No module named torch就更直白了检查你当前激活的Python环境是不是安装时用的那个环境。用which python看一下路径很多问题是环境切换导致的包本身没装错环境。5.3 CPU版和GPU版的匹配逻辑关于torch.cuda.is_available()为False我在实际过程中还发现一个高频误操作官方文档示例里那条pip install torch torchvision torchaudio默认装的是带CUDA支持的版本吗其实不一定。在很多镜像源上、在某些默认配置下pip可能解析到纯CPU的wheel。尤其你本来只是用小镜像源快速装环境时它可能为了兼容性给你拉了一个cpu版本下来。判断方法很简单装完执行pip show torch看Version那一行的末尾。如果是2.1.2cpu就是CPU版如果是2.1.2cu118、2.1.2cu121这类后缀才是带CUDA的版本。想明确装GPU版建议直接指定PyTorch官方whl仓库并按CUDA版本选pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这种方式会不会慢取决于你所在网络路径到该仓库的实际负载。官方走CDN后部分地区还挺快但慢的话就换回镜像源装不带cu后缀的稳定版同时手动确保系统里有对应CUDA版本运行库。系统驱动的CUDA版本不需要等于PyTorch编译时的CUDA版本只要驱动支持的版本大于等于PyTorch需要的版本就行。5.4 我的例行安装流程给你做个参考前面讲的几种方法单独拿出来都能用但组合起来才是最优解。我的例行流程大致是这样新机器或者新环境第一步先配pip镜像源永久写入全局配置。然后把用到的torch、torchvision、torchaudio以及训练相关的常用库一起用pip download囤一份到共享目录标记好Python版本和平台。接下来每次安装都走同一个动作要么在线直接从镜像源装要么从共享目录离线装。装完务必执行5.1那段验证脚本确认CUDA状态无误再往下走。如果是conda环境就把.condarc配好把pytorch和conda-forge两个channel都映射到镜像的cloud路径然后优先用mamba做安装。这套组合拳帮我处理过大学同学的外网慢速机器、公司内网安全服务器、还有临时借来的显卡机器不敢说百分之百覆盖所有场景但碰上“PyTorch下载龟速”这个经典问题按这个顺序排查和操作绝大多数都能当场解决。你自己的网络环境和Python版本可能和我不同但“先定位源、再换源、不行就离线”这个思路是通用的。