PyTorch源码编译失败主因是环境依赖链断裂，非代码问题；典型报错如“ATen/native/mkl/Dispatch.cpp: No such file”表明MKL路径未被CMake正确识别，需显式设置CMAKE_PREFIX_PATH、MKLROOT，并锁定mkl==2019.1等兼容版本。
PyTorch源码编译失败，八成不是代码问题，而是CMake没找对MKL、CUDA或编译器——尤其当你看到fatal error: ATen/native/mkl/Dispatch.cpp: No such file or directory这类报错时，基本可以确定是环境链断在了依赖注入环节。
确认CMake是否真正识别到MKL路径
conda装的mkl和mkl-include不会自动被CMake发现，除非你显式告诉它去哪里找。只靠conda install mkl远远不够。
- 运行
python -c "import mkl; print(mkl.__path__)"查出MKL安装位置（通常是$CONDA_PREFIX/lib/python3.x/site-packages/mkl或$CONDA_PREFIX/include/mkl） - 在调用
python setup.py install前，必须设置：export CMAKE_PREFIX_PATH="${CONDA_PREFIX:-$(dirname $(which python))/../}" - 如果仍失败，手动加MKL路径：
export MKLROOT="$CONDA_PREFIX"（注意不是lib或include子目录） - 验证是否生效：运行
cmake -L | grep MKL，应能看到USE_MKL=ON和BLAS=MKL等输出
避开mkl版本导致的编译中断
新版MKL（如2020+）会触发cblas_sgemm_alloc等函数的弃用警告，并因-Werror被当作错误终止编译——这不是bug，是PyTorch源码对旧ABI的硬性依赖。
- 不要用最新版MKL；实测稳定可用的是
mkl==2019.1和mkl-include==2019.1 - 执行：
conda install mkl==2019.1 mkl-include==2019.1 -c conda-forge - 避免混用pip和conda安装MKL，否则
libmkl_rt.so可能加载错位，引发运行时undefined symbol - 若已装高版本，先
conda remove mkl mkl-include再重装，不要只覆盖
让CMake正确绑定CUDA与GCC版本
CUDA 10.2/11.3/11.8这些版本对GCC有明确限制（比如CUDA 11.3要求GCC ≤ 10），而CMake默认可能选错系统GCC，导致gcc failed with exit status 1。
立即学习“Python免费学习笔记（深入）”；
- 显式指定编译器：
export CC=/usr/bin/gcc-9 CXX=/usr/bin/g++-9（根据CUDA文档查对应版本） - 强制CMake使用该编译器：
export CUDAHOSTCXX=/usr/bin/g++-9 - 检查CUDA工具链是否完整：
nvcc --version和cat /usr/local/cuda/version.txt需一致；不一致就用conda install cudatoolkit=11.3 -c nvidia对齐 - 禁用非必要后端可减少失败面：
USE_FBGEMM=0 USE_NNPACK=0 USE_QNNPACK=0 python setup.py install
为什么setup.py install总在third_party阶段挂掉
PyTorch的third_party子模块（如ideep、mkl-dnn）依赖外部构建系统，一旦父项目CMake未透传参数，子模块就会按默认逻辑找系统路径，从而找不到conda装的MKL头文件。
- 确保克隆时带递归：
git clone --recursive https://github.com/pytorch/pytorch；漏掉--recursive会导致third_party/ideep为空 - 进入目录后先更新子模块：
git submodule sync && git submodule update --init --recursive - 清理残留构建状态：
git clean -xdf && rm -rf build，否则旧CMakeCache.txt可能缓存错误路径 - 最稳妥方式：用
tools/build_pytorch_libs.sh替代setup.py，它会统一处理third_party依赖传递
最容易被忽略的一点：PyTorch编译不是“装完依赖就能跑”，而是依赖链上每个组件（Python、NumPy、MKL、CUDA、GCC）都必须落在官方验证过的组合区间内——查不到对应表格？直接看.circleci/config.yml或docker/pytorch/Dockerfile里的FROM镜像版本，那才是真实可行的基线。
