内网离线安装 PyTorch 必须严格匹配 torch、torchvision、torchaudio 三者版本及环境标识（CUDA 版本、Python 编译标记 cp310、系统架构 linux_x86_64），先装 torch，再用 --no-deps 装其余两个，并手动部署 cuDNN 等系统库。
直接结论：别用 pip install torch 在内网服务器上硬试，90% 会失败；必须提前下载匹配的 torch、torchvision、torchaudio 三个 .whl 文件，并控制安装顺序和依赖策略。
怎么确认目标服务器环境该下哪个 .whl 文件
离线安装失败的第一大原因，就是下了错版本的包。Linux 下必须三者严格对齐：
-
python --version—— 看清是cp39还是cp311（不是 Python 3.9/3.11，而是编译标记） -
nvidia-smi或nvcc --version—— 确认 CUDA 驱动支持的最高版本（比如显示12.1，就选+cu121；若没 GPU，选+cpu） -
uname -m—— 输出x86_64就对应linux_x86_64，aarch64则要找linux_aarch64版本
例如：Python 3.10 + CUDA 11.8 + x86_64 → 应下载 torch-2.3.1+cu118-cp310-cp310-linux_x86_64.whl，而不是 torch-2.3.1-cp310-cp310-linux_x86_64.whl（后者是 CPU 版，GPU 环境装了也用不上 CUDA 加速）。
pip install 时为什么总报 “requires torch>=2.0” 却装不上
这是典型的依赖循环触发：你先装 torchvision，它自动尝试拉取 torch，但内网没源，就卡死或退回到 CPU 版。正确做法是手动断开依赖链：
立即学习“Python免费学习笔记（深入）”；
- 先装主包：
pip install torch-2.3.1+cu118-cp310-cp310-linux_x86_64.whl - 再装配套库，加
--no-deps参数避免重装torch：pip install torchvision-0.18.1+cu118-cp310-cp310-linux_x86_64.whl --no-deps - 同理装
torchaudio：pip install torchaudio-2.3.1+cu118-cp310-cp310-linux_x86_64.whl --no-deps
注意：这三个包的版本号前缀（如 2.3.1）、CUDA 标识（+cu118）、Python 标识（cp310）必须完全一致，否则运行时报 ImportError: cannot import name 'xxx' from 'torch'。
为什么装完 import torch 还报 libcudnn.so.8: cannot open shared object file
PyTorch 的 .whl 包只打包了 Python 层和 CUDA kernel，不包含底层系统级库（如 cuDNN、NCCL）。这在离线环境中极易被忽略：
- 如果目标服务器已有 NVIDIA 驱动（
nvidia-smi可运行），但没装 cuDNN，需单独下载对应 CUDA 版本的 cuDNN 安装包（如cudnn-linux-x86_64-8.9.7.29_cuda11.x-archive.tar.xz），解压后把lib目录下的文件复制到/usr/local/cuda/lib64/，再执行ldconfig - 若无法安装系统级库（权限受限），只能退回到 CPU 版 PyTorch：
torch-2.3.1-cp310-cp310-linux_x86_64.whl，并确保torchvision和torchaudio也都用-cpu后缀版本
这个环节没有报错提示，只有运行模型时才暴露——所以务必在 import torch 后立刻执行 torch.cuda.is_available() 验证。
真正麻烦的从来不是下载几个文件，而是版本字符串里那一长串标记（+cu118-cp310-linux_x86_64）每一段都得对上，漏一个字符，轻则功能缺失，重则整个环境不可用。别信“差不多能用”，PyTorch 对 ABI 兼容性极其敏感。
