必须处理torch.compile()替代策略、nn.dataparallel废弃、cudnn开关影响、jit导出路径变更四类硬性断裂点：torch.compile()不支持序列化部署，不能替代torch.jit.script()；dataparallel已弃用且与compile冲突，须迁至ddp；禁用cudnn会严重损害compile性能；jit导出需保留但已降级为维护模式。
直接回答：不能只改torch.__version__就完事，必须处理torch.compile()替代策略、nn.DataParallel废弃、cuDNN开关影响、JIT导出路径变更这四类硬性断裂点。
torch.compile() 不能无脑替换 torch.jit.script()
很多开发者看到 PyTorch 2.x 主推 torch.compile()，就直接把原来的 torch.jit.script(model) 换成 torch.compile(model)，结果部署失败。根本原因是：
-
torch.compile()返回的是普通nn.Module，不支持序列化（无法保存为 .pt 文件跨 Python 版本加载） - 它不生成 ScriptModule，因此不能用于 LibTorch/C++ 部署、ONNX 导出或移动端推理
- 若原流程依赖
model.save()或torch.jit.load()，必须保留torch.jit.script()路径
实操建议：
- 仅在纯 Python 训练/推理加速场景用
torch.compile(model) - 仍需导出模型时，继续用
torch.jit.script()或torch.onnx.export()，但注意 PyTorch 2.x 的 JIT 已进入维护模式，部分新算子可能不支持 - 遇到 CUDA 编译失败，可临时切后端调试：
torch.compile(model, backend="aot_eager")
nn.DataParallel 必须替换成 DDP 或直接删掉
nn.DataParallel 在 PyTorch 2.1+ 中已不只是警告——某些配置下会直接报错，且与 torch.compile() 不兼容。常见错误现象包括：
- 运行时报
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.cuda.HalfTensor) should be the same（类型错乱） - 多卡 GPU 利用率长期低于 30%，显存占用不均
-
torch.compile()启动时抛NotImplementedError: DataParallel is not supported
实操建议：
- 单机多卡训练：必须迁移到
torch.nn.parallel.DistributedDataParallel，哪怕只有 2 卡也要调用torch.distributed.init_process_group() - 多卡推理加速（非训练）：去掉
DataParallel包装，直接对原始模型调用torch.compile()，inductor 会自动做 kernel 级并行 -
find_unused_parameters=True在 2.x 中开销显著增大，仅当分支逻辑（如条件 dropout）导致部分参数未参与反向传播时才启用
torch.backends.cudnn.enabled = False 会拖垮 compile 性能
旧代码中常手动禁用 cuDNN 来保证 determinism（比如设置 torch.backends.cudnn.enabled = False），但在 PyTorch 2.x 下这会导致严重后果：
-
torch.compile()的 inductor 后端跳过大部分图优化路径 - 触发 fallback 到 eager 模式，实测推理速度比 PyTorch 1.13 还慢 20%~40%
- 显存占用反而升高，因无法做 memory fusion
实操建议：
- 如需 determinism，优先用
torch.use_deterministic_algorithms(True)替代关 cudNN - 若必须关 cudNN（如复现某旧论文结果），请明确注释并接受性能损失，不要默认全局关闭
- 验证时对比开启/关闭 cudNN 下的
torch.compile()输出日志，检查是否出现fallback to eager
模型权重加载和特征张量操作要重写
PyTorch 2.x 本身不强制改模型定义，但生态库（如 spconv、mmcv、facenet-pytorch）普遍要求适配。典型断裂点包括：
- spconv 2.x 中
SparseConvTensor.features = ...报错，必须改用x.replace_feature(...) - mmcv 2.x 移除了
ConfigDict.fromfile()的隐式类型转换，路径字符串需显式加引号 - facenet-pytorch 在 2.x 下
inception_resnet_v1.eval()后再调用 forward 可能触发BatchNorm2d的 track_running_stats 异常
实操建议：
- 先运行
python -c "import torch; print(torch.__version__)"和pip list | grep -E '(spconv|mmcv|facenet)'确认生态版本组合 - 查对应库的迁移指南（如 spconv.pytorch 子模块导入、mmcv 2.x 的
MMEngine初始化方式） - 不要信任“小版本兼容”，例如 spconv 1.2.x 模型权重加载到 2.1.x 需设环境变量
SPCONV_COMPATIBLE_WEIGHTS=1
最易被忽略的是：PyTorch 2.x 对 CUDA 架构的支持范围变了。RTX 50 系显卡（sm_120）在多数 1.x 版本里根本不可用，而 2.8+ 默认编译包含该架构——这意味着你可能得先升级驱动，再装 PyTorch，顺序反了就会卡在 nvcc fatal: Unsupported gpu architecture 'compute_120'。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
