用阿里云镜像安装指定 CUDA 版本的 PyTorch + 本地 wheel 缓存复用
用阿里云镜像安装指定 CUDA 版本的 PyTorch 本地 wheel 缓存复用在国内装 PyTorch最烦的两件事一是想精确锁定 CUDA 版本却总装错二是同一个版本要在好几台机器、好几个虚拟环境里反复下载既费时间又费流量。这篇教程解决两个问题用阿里云镜像安装指定 CUDA 版本的 PyTorch以及把常用版本的 wheel下载到本地一次之后在任意环境离线复用。赶时间的话直接抄下面这一段三条命令即可想知道每一步为什么这么写再往下看详解。下面的export、${VAR//./}等写法针对bash / zshLinux、macOS。Windows 请把export换成setcmd或$env:PowerShell路径用反斜杠。速查复制即用# --- 配置只改这一段---exportCUDA_TAGcu128# CUDA 标签cu118 / cu121 / cu124 / cu128 …exportPY_VER3.10# 目标 Python 版本exportTORCH_VER2.7.1# PyTorchexportTV_VER0.22.1# torchvisionexportTA_VER2.7.1# torchaudioexportTORCH_MIRRORhttps://mirrors.aliyun.com/pytorch-wheels/${CUDA_TAG}/exportWHEEL_DIR$HOME/data/wheels/torch${TORCH_VER//./}_${CUDA_TAG}_py${PY_VER//./}# --- A. 直接联网安装 ---pipinstalltorch${TORCH_VER}${CUDA_TAG}torchvision${TV_VER}${CUDA_TAG}torchaudio${TA_VER}${CUDA_TAG}\-f$TORCH_MIRROR# --- B. 下载到本地在临时环境里执行---conda create-y-nwheel_dlpython$PY_VERconda activate wheel_dlmkdir-p$WHEEL_DIRpython-mpip download--dest$WHEEL_DIR--only-binary:all:-f$TORCH_MIRROR\torch${TORCH_VER}${CUDA_TAG}torchvision${TV_VER}${CUDA_TAG}torchaudio${TA_VER}${CUDA_TAG}conda deactivateconda remove-y-nwheel_dl--all# --- C. 离线复用在目标环境里执行---conda create-y-nmyprojpython$PY_VERconda activate myproj pipinstalltorch${TORCH_VER}${CUDA_TAG}torchvision${TV_VER}${CUDA_TAG}torchaudio${TA_VER}${CUDA_TAG}\--no-index-f$WHEEL_DIR版本配套表torch / torchvision / torchaudio / CUDA / Python装 PyTorch 本质是凑一套配套版本torch torchvision torchaudio 必须成套再叠加一个该 torch 版本支持的 CUDA tag 和 Python 区间少一处对不上就会装失败或运行报错。下表覆盖常用的 2.12.7数据来自 PyTorch 官方 previous-versions 页与 torchvision 官方说明PyTorchtorchvisiontorchaudio可用 CUDA tagPython2.7.10.22.12.7.1cu118 / cu126 / cu1283.9 – 3.132.7.00.22.02.7.0cu118 / cu126 / cu1283.9 – 3.132.6.00.21.02.6.0cu118 / cu124 / cu1263.9 – 3.122.5.10.20.12.5.1cu118 / cu121 / cu1243.9 – 3.122.5.00.20.02.5.0cu118 / cu121 / cu1243.9 – 3.122.4.10.19.12.4.1cu118 / cu121 / cu1243.8 – 3.122.3.10.18.12.3.1cu118 / cu1213.8 – 3.122.2.20.17.22.2.2cu118 / cu1213.8 – 3.112.1.20.16.22.1.2cu118 / cu1213.8 – 3.11配套规律方便推算表里没列出的 patch 版本torchvision 与 torch 同步递增torch 2.5 → tv 0.20、2.6 → 0.21、2.7 → 0.22次版本一起 1patch 号也对齐torch 2.7.1 → tv 0.22.1。torchaudio 版本号与 torch 完全一致torch 2.7.1 → torchaudio 2.7.1。两个常用 CUDA tag 的反查cu128torch2.7.0 起才有2.6 及更早没有。cu118torch 2.0 2.7 一路都支持是兼容性最好的「老黄金」tag。准备把可变项抽成环境变量上面那个配置块就是把「版本 / CUDA / 路径」这些会变的东西集中到一处方便自己和别人改。几点说明CUDA_TAG怎么选看你的 NVIDIA 驱动支持的 CUDA 版本nvidia-smi右上角的CUDA Version是上限。pip 装的 wheel自带 CUDA 运行库所以不需要预装 CUDA Toolkit只要驱动够新即可。torch / torchvision / torchaudio三者版本要配套如2.7.1 / 0.22.1 / 2.7.1否则会装不上或运行报错。${TORCH_VER//./}是把2.7.1里的点去掉变成271只为让目录名好看、好区分。最终WHEEL_DIR会是类似~/data/wheels/torch271_cu128_py310的样子。方法一直接安装指定 CUDA 版本的 PyTorch最简单的形式阿里云镜像 -f就能把范围限定到 cu128 这一目录pipinstalltorch torchvision torchaudio-f$TORCH_MIRROR想精确锁版本就把版本号写全pipinstall\torch${TORCH_VER}${CUDA_TAG}\torchvision${TV_VER}${CUDA_TAG}\torchaudio${TA_VER}${CUDA_TAG}\-f$TORCH_MIRROR原理-f--find-links把阿里云的 PyTorch wheel 目录当作下载源该目录里就是torch-2.7.1cu128-cp310-...whl这类文件。cu128这个后缀PEP 440 里的local version用来明确锁定 CUDA 12.8 的构建避免 pip 选到别的 CUDA 版本比如 PyPI 上的默认构建。建议先建一个干净环境再装避免污染 baseconda create-y-nmyprojpython$PY_VERconda activate myproj装完验证importtorchprint(torch.__version__)# 2.7.1cu128print(torch.cuda.is_available())# Trueprint(torch.version.cuda)# 12.8方法二把 wheel 下载到本地跨环境复用适用场景同一个 PyTorch 版本要在好几台机器 / 好几个虚拟环境里用。下载一次存到本地以后直接离线安装省时省流量光是nvidia-cudnn这类依赖就有几百 MB。关键前提Python 版本要对得上wheel 文件名里带着cp310CPython 3.10、linux_x86_64这些标签pip只会安装与当前解释器、当前平台匹配的 wheel。所以下载时要在「目标 Python 版本」的环境里下复用时目标环境的 Python 版本也必须一致。这就是为什么下面两步都要先建对应版本的环境。第一步建临时环境 → 下载到本地下载这步只是为了拿到「正确的 Python 版本」环境本身用完就删所以叫临时环境# 1) 临时环境只为锁定 Python 版本下载完即删conda create-y-nwheel_dlpython$PY_VERconda activate wheel_dl# 2) 把 torch 全家桶 所有依赖下载到本地mkdir-p$WHEEL_DIRpython-mpip download\--dest$WHEEL_DIR\--only-binary:all:\-f$TORCH_MIRROR\torch${TORCH_VER}${CUDA_TAG}\torchvision${TV_VER}${CUDA_TAG}\torchaudio${TA_VER}${CUDA_TAG}# 3) 下载完删掉临时环境conda deactivate conda remove-y-nwheel_dl--all不用 conda 的话venv 也行前提是系统里已装好对应版本的 Pythonpython3.10-mvenv /tmp/wheel_dlsource/tmp/wheel_dl/bin/activate# …执行上面的 pip download…deactivaterm-rf/tmp/wheel_dl这里--only-binary:all:的作用是强制只下预编译的 wheel绝不退回去下源码包再本地编译。torch 这套依赖其实都有 wheel多数时候加不加都一样但它是给离线复用上的保险——万一某个依赖被下成源码包到离线机器上用--no-index安装时就得现场编译要编译器、可能还缺别的依赖离线就废了。另外pip download默认会把 torch 的全部依赖numpy、pillow以及 cu128 自带的nvidia-*库等一并下载所以$WHEEL_DIR是一个「自包含」目录。第二步建目标环境 → 离线安装到任意机器上先建一个同样 Python 版本的环境再从本地目录离线装# 1) 目标环境Python 版本必须和下载时一致conda create-y-nmyprojpython$PY_VERconda activate myproj# 2) 完全离线安装--no-index 让 pip 只在本地目录里找包pipinstall\torch${TORCH_VER}${CUDA_TAG}\torchvision${TV_VER}${CUDA_TAG}\torchaudio${TA_VER}${CUDA_TAG}\--no-index\-f$WHEEL_DIR-f指向哪儿都行 —— 可以是~/data/wheels/...也可以是放进项目仓库里的相对路径例如pipinstalltorch2.7.1cu128torchvision0.22.1cu128torchaudio2.7.1cu128\--no-index-fexternal/wheels/torch271_cu128_py310/复用的三条硬约束Python 版本要一致py310的 wheel 装不进 3.9 / 3.11 的环境。操作系统 / 架构要一致linux_x86_64的 wheel 不能用在 macOS / Windows / ARM。正因如此目录名里带上py310、cu128一眼就能区分该用哪一份。小贴士依赖下载慢可选提速torch 三件套靠-f从阿里云下但numpy、nvidia-*等普通依赖默认走官方 PyPI。如果你连 PyPI 慢给命令再加一个-i https://mirrors.aliyun.com/pypi/simple/让依赖也走国内镜像。要是你本来下得就快或已全局配过镜像不加完全没问题。机器上有多个 Python 时把pip换成python -m pip更稳妥能确保用的是当前环境的 pip。如果阿里云某个 CUDA 标签缺包可改用 PyTorch 官方源--index-url https://download.pytorch.org/whl/${CUDA_TAG}。注意官方源用--index-url阿里云这个目录用-f两者不一样。

相关新闻

终极Gofile下载解决方案:告别手动点击的完整自动化指南

终极Gofile下载解决方案:告别手动点击的完整自动化指南

终极Gofile下载解决方案:告别手动点击的完整自动化指南 【免费下载链接】gofile-downloader Download files from https://gofile.io 项目地址: https://gitcode.com/gh_mirrors/go/gofile-downloader 还在为Gofile.io平台上的文件下载而烦恼吗?面…

2026/7/17 0:01:59阅读更多 →
【基于矢量光速螺旋时空归一化体系与统一场论的极乐世界存在性与往生机制物理推导】

【基于矢量光速螺旋时空归一化体系与统一场论的极乐世界存在性与往生机制物理推导】

基于矢量光速螺旋时空归一化体系与统一场论的极乐世界存在性与往生机制物理推导author:(Ji Liwei) 计立伟Independent Institute of Physics, Shenzhen, ChinaEmail: jlwlive.cnORCID: 0009-0006-6363-8468}摘要:长期以来&#…

2026/7/16 19:30:51阅读更多 →
你一停,公司就停?

你一停,公司就停?

老板出差三天,回来发现所有项目都停在原地。没人敢拍板、没人知道下一步该干什么、没人主动推进任何事。你越来越累,公司却越来越依赖你。你成了唯一的“CPU”——你在,系统勉强运转;你不在,系统直接宕机。这不是夸张。…

2026/7/16 21:04:03阅读更多 →
w64devkit:为Windows平台构建的现代化C/C++开发工具链解决方案

w64devkit:为Windows平台构建的现代化C/C++开发工具链解决方案

w64devkit:为Windows平台构建的现代化C/C开发工具链解决方案 【免费下载链接】w64devkit Portable C and C Development Kit for x64 (and x86) Windows 项目地址: https://gitcode.com/gh_mirrors/w6/w64devkit w64devkit是一个专为Windows平台设计的便携式…

2026/7/17 12:46:52阅读更多 →
HBM‘s Nuclear Tech Mod核燃料循环详解:从铀矿到钚燃料

HBM‘s Nuclear Tech Mod核燃料循环详解:从铀矿到钚燃料

HBMs Nuclear Tech Mod核燃料循环详解:从铀矿到钚燃料 【免费下载链接】Hbm-s-Nuclear-Tech-GIT A flaming wreck of a minecraft mod about nuclear technology that is somehow still in development. 项目地址: https://gitcode.com/gh_mirrors/hb/Hbm-s-Nucle…

2026/7/17 12:46:52阅读更多 →
如何用Obsidian模板在5分钟内构建高效笔记系统

如何用Obsidian模板在5分钟内构建高效笔记系统

如何用Obsidian模板在5分钟内构建高效笔记系统 【免费下载链接】OB_Template OB_Templates is a Obsidian reference for note templates focused on new users of the application using only core plugins. 项目地址: https://gitcode.com/gh_mirrors/ob/OB_Template …

2026/7/17 12:46:52阅读更多 →
AlertOnboarding核心功能揭秘:多设备支持、事件跟踪与旋转适配

AlertOnboarding核心功能揭秘:多设备支持、事件跟踪与旋转适配

AlertOnboarding核心功能揭秘:多设备支持、事件跟踪与旋转适配 【免费下载链接】AlertOnboarding A simple and attractive AlertView to onboard your users in your amazing world. 项目地址: https://gitcode.com/gh_mirrors/al/AlertOnboarding AlertOnb…

2026/7/17 12:46:52阅读更多 →
从文件完整性焦虑到专业验证:HashCalculator如何重塑你的数据安全习惯

从文件完整性焦虑到专业验证:HashCalculator如何重塑你的数据安全习惯

从文件完整性焦虑到专业验证:HashCalculator如何重塑你的数据安全习惯 【免费下载链接】HashCalculator 哈希值计算工具,批量计算/批量校验/查找重复文件/改变哈希值等,支持集成到系统右键菜单 项目地址: https://gitcode.com/gh_mirrors/h…

2026/7/17 12:46:52阅读更多 →
SillyTavern终极指南:5步轻松打造专业级AI对话前端

SillyTavern终极指南:5步轻松打造专业级AI对话前端

SillyTavern终极指南:5步轻松打造专业级AI对话前端 【免费下载链接】SillyTavern LLM Frontend for Power Users. 项目地址: https://gitcode.com/GitHub_Trending/si/SillyTavern SillyTavern是一个专为高级用户设计的LLM前端工具,让你能够轻松管…

2026/7/17 12:41:52阅读更多 →
VSCode TypeScript 环境配置对比:全局安装 vs 项目本地安装的4个关键差异

VSCode TypeScript 环境配置对比:全局安装 vs 项目本地安装的4个关键差异

VSCode TypeScript 环境配置对比:全局安装 vs 项目本地安装的4个关键差异当你在VSCode中启动一个新的TypeScript项目时,第一个技术决策往往从安装方式开始。这个看似简单的选择——全局安装还是项目本地安装——实际上会深刻影响你的开发流程、团队协作和…

2026/7/17 10:42:55阅读更多 →
智慧树刷课插件:5分钟实现自动化学习的智能助手

智慧树刷课插件:5分钟实现自动化学习的智能助手

智慧树刷课插件:5分钟实现自动化学习的智能助手 【免费下载链接】zhihuishu 智慧树刷课插件,自动播放下一集、1.5倍速度、无声 项目地址: https://gitcode.com/gh_mirrors/zh/zhihuishu 智慧树刷课插件是一款专为智慧树在线教育平台设计的Chrome浏…

2026/7/17 8:31:03阅读更多 →
Steam创意工坊下载器WorkshopDL:跨平台游戏模组获取的终极解决方案

Steam创意工坊下载器WorkshopDL:跨平台游戏模组获取的终极解决方案

Steam创意工坊下载器WorkshopDL:跨平台游戏模组获取的终极解决方案 【免费下载链接】WorkshopDL WorkshopDL - The Best Steam Workshop Downloader 项目地址: https://gitcode.com/gh_mirrors/wo/WorkshopDL 你是否在GOG或Epic Games Store购买了心仪的游戏…

2026/7/16 12:02:41阅读更多 →
VS Code 高效配置与个性化定制全攻略

VS Code 高效配置与个性化定制全攻略

1. VS Code 高效配置基础作为一款轻量级但功能强大的代码编辑器,VS Code 的默认配置已经能满足基本需求,但通过合理调整设置可以大幅提升编码效率。我使用 VS Code 已经有五年多时间,期间尝试过各种配置方案,总结出这套适合大多数…

2026/7/17 0:00:01阅读更多 →
从竞赛代码到桌面工具:让 SuperADD 与 SubspaceAD 真正跑进自己的图像

从竞赛代码到桌面工具:让 SuperADD 与 SubspaceAD 真正跑进自己的图像

在异常检测领域,很多优秀算法最初都是以研究代码的形式发布的。它们能够在固定测试集上复现实验结果,却不一定能被普通用户直接拿来测试自己的图片。尤其是最近很多算法仅提供在固定测试集的测试环境,而gradio的demo演示也不会提供。 对工程应用和在自己的图片上进行测试来…

2026/7/17 0:00:01阅读更多 →
WinRAR高效配置指南:从基础安装到高级压缩实战

WinRAR高效配置指南:从基础安装到高级压缩实战

前几天帮同事处理一个客户发来的压缩包,解压时系统自带的工具弹出一串乱码,换用 WinRAR 却顺利打开了。这种看似简单的场景,恰恰暴露了不同压缩工具在处理非标准编码、分卷压缩或加密文件时的差异。WinRAR 作为一款老牌工具,真正价…

2026/7/17 0:00:01阅读更多 →
YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

YOLOv8推理性能优化:从1.2FPS到35FPS的全链路加速实践

如果你在部署 YOLOv8 时,发现推理速度只有可怜的 1-2 FPS,而别人的演示视频却能跑到 30 FPS 以上,那么问题很可能不在模型本身,而在于你的整个处理链路。很多开发者拿到一个训练好的 YOLOv8 模型后,会直接使用官方示例…

2026/7/16 20:13:14阅读更多 →
Coze与Dify对比指南:低代码AI应用开发从入门到实战

Coze与Dify对比指南:低代码AI应用开发从入门到实战

1. 从零到一:为什么你需要了解 Coze 和 Dify?如果你对 AI 应用开发感兴趣,但一看到“大模型”、“智能体”、“工作流”这些词就头疼,觉得门槛太高,那这篇文章就是为你准备的。很多开发者,包括我自己&#…

2026/7/16 8:58:42阅读更多 →
AI生图工具怎么选?2026年6月版实测对比

AI生图工具怎么选?2026年6月版实测对比

做自媒体的朋友应该都有体会:配图一直是个让人头疼的问题。2026年,AI生图工具已经非常成熟了,但工具太多反而不知道怎么选。以下是截至2026年6月我对主流AI生图工具的实测对比。Midjourney V8.1:速度之王2026年6月11日&#xff0c…

2026/7/16 17:10:26阅读更多 →