PyTorch离线安装全攻略：手把手教你下载whl包，在内网服务器部署1.10+CUDA11.3环境

PyTorch离线安装全攻略：内网环境下的CUDA兼容性解决方案

在金融、医疗等对数据安全要求极高的行业，或是某些科研机构的封闭实验环境中，服务器通常被部署在内网隔离状态下运行。这种架构虽然保障了系统安全，却给AI开发环境的搭建带来了独特挑战——尤其是当需要配置PyTorch这类依赖复杂、版本关联性强的深度学习框架时。本文将针对Python 3.8、CUDA 11.3和Linux x86_64这一典型组合，拆解从外网资源准备到内网部署的全套技术方案。

1. 环境预检与资源规划

1.1 硬件兼容性确认

在开始下载任何安装包之前，必须确保目标服务器的硬件配置满足CUDA 11.3的基本要求：

# 查看GPU型号及驱动版本
nvidia-smi -L
nvidia-smi --query-gpu=driver_version --format=csv

输出示例：

GPU 0: NVIDIA Tesla T4 (UUID: GPU-xxxxxx)
driver_version
470.82.01

关键参数对照表 ：

提示：若驱动版本不足，需先在可联网机器下载符合要求的驱动包（.run格式），再通过scp传输到内网服务器安装。

1.2 软件依赖关系树

PyTorch 1.10 + CUDA 11.3的核心依赖包括：

• 主包 ：
  • torch==1.10.0+cu113
  • torchvision==0.11.1+cu113
• 间接依赖 ：
  • numpy>=1.21.2
  • pillow>=8.3.1
  • typing-extensions>=3.7.4.3

建议使用以下命令生成完整依赖清单：

pip download torch==1.10.0+cu113 --platform manylinux2014_x86_64 \
  --only-binary=:all: --python-version 38 -d ./pytorch_pkgs

2. 外网资源获取策略

2.1 官方渠道精准定位

PyTorch官方为不同CUDA版本维护着独立的whl仓库：

对于Python 3.8 + CUDA 11.3组合，需要重点关注以下命名模式：

torch-1.10.0+cu113-cp38-cp38-linux_x86_64.whl
torchvision-0.11.1+cu113-cp38-cp38-linux_x86_64.whl

2.2 依赖包批量下载技巧

使用pip的 download 命令配合依赖解析可以高效获取完整包集合：

mkdir -p ./offline_packages && cd ./offline_packages

cat > requirements.txt <<EOF
torch==1.10.0+cu113
torchvision==0.11.1+cu113
EOF

pip download -r requirements.txt \
  --platform manylinux2014_x86_64 \
  --only-binary=:all: \
  --python-version 3.8 \
  --no-deps

关键参数说明：

• --platform ：指定Linux系统ABI兼容性
• --only-binary ：强制使用预编译二进制包
• --no-deps ：仅下载指定包（不包含依赖）

3. 内网部署实战流程

3.1 传输与目录结构规范

建议在内网服务器建立标准化部署目录：

/opt/pytorch_offline/
├── archives/          # 原始whl包存放
├── installed/         # 已安装包记录
└── venv/              # 虚拟环境目录

使用rsync进行可靠传输：

rsync -avzP -e "ssh -p 22" ./offline_packages/ user@intranet-server:/opt/pytorch_offline/archives/

3.2 虚拟环境最佳实践

创建隔离的Python环境避免污染系统库：

python3.8 -m venv /opt/pytorch_offline/venv/torch1.10
source /opt/pytorch_offline/venv/torch1.10/bin/activate

安装基础依赖（需提前准备这些包的whl文件）：

pip install --no-index --find-links=/opt/pytorch_offline/archives/ \
  numpy==1.21.2 \
  pillow==8.3.1 \
  typing_extensions==3.10.0.2

3.3 主包安装与验证

分步安装核心组件：

pip install --no-index --find-links=/opt/pytorch_offline/archives/ \
  /opt/pytorch_offline/archives/torch-1.10.0+cu113-cp38-cp38-linux_x86_64.whl

pip install --no-index --find-links=/opt/pytorch_offline/archives/ \
  /opt/pytorch_offline/archives/torchvision-0.11.1+cu113-cp38-cp38-linux_x86_64.whl

验证安装结果：

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用性: {torch.cuda.is_available()}")
print(f"当前设备: {torch.cuda.current_device()}")
print(f"设备名称: {torch.cuda.get_device_name(0)}")

4. 典型问题排查指南

4.1 常见错误代码解析

4.2 日志分析技巧

通过详细日志定位安装问题：

pip install --no-index --find-links=/opt/pytorch_offline/archives/ \
  torch-1.10.0+cu113-cp38-cp38-linux_x86_64.whl \
  --verbose 2>&1 | tee install.log

重点关注日志中的：

1. Looking in links ：确认pip搜索路径正确
2. Found link ：检查实际找到的包文件
3. Adding requirement ：依赖解析过程

4.3 备用方案：源码编译

当预编译版本不兼容时，可考虑从源码构建：

git clone --branch v1.10.0 --recursive https://github.com/pytorch/pytorch
cd pytorch
export USE_CUDA=1
export CUDA_HOME=/usr/local/cuda-11.3
python setup.py install

编译前需确保已安装：

• gcc 7+
• CMake 3.18+
• Ninja build
• CUDA Toolkit 11.3开发包

在内网环境中，这些依赖项的离线安装需要额外准备约5GB的安装包，建议使用容器化方案降低复杂度。