PyTorch多版本共存需Docker与Conda双层隔离：Docker解决底层CUDA/cuDNN及驱动兼容性，Conda管理上层Python包与解释器；单靠conda无法控制宿主机GPU驱动和系统级CUDA库，易导致cuda.is_available()为False或符号未定义错误。
conda create -n 能隔离 PyTorch，但不隔离 CUDA 驱动
直接用 conda create -n torch113 pytorch=1.13 创建环境，import torch 可能成功，但 torch.cuda.is_available() 返回 False，即使 nvidia-smi 显示驱动正常。这是因为 conda 环境只控制自己目录下的 lib/（比如 libcudnn.so.8），却无法覆盖宿主机系统路径（如 /usr/lib/x86_64-linux-gnu/libcusparse.so）中已加载的 GPU 库版本。一旦宿主机驱动太旧（例如只支持 CUDA 12.2），而你装的 PyTorch 二进制包依赖 cusparseSpMM_bufferSize（CUDA 12.4 新增符号），就会报 ImportError: cannot import name 'xxx' from 'torch' 或静默失败。
关键点在于：conda install pytorch 默认绑定特定 cudatoolkit 版本（如 cudatoolkit=11.7），但它不检查宿主机驱动是否兼容——这个判断只能由 NVIDIA 驱动在运行时完成。
必须用 Docker 封装 CUDA 运行时层
只靠 conda 虚拟环境解决不了底层符号冲突。真正有效的做法是：用 Docker 把 CUDA 驱动接口、cudatoolkit、cuDNN 和 PyTorch 一起打包。这样每个容器启动时，会通过 nvidia-container-toolkit 挂载匹配的驱动 ABI，并让内部看到的 CUDA 版本与 PyTorch 编译时一致。
- 不要直接拉
pytorch/pytorch:2.6.0-cuda12.4-cudnn8-runtime：它固定 Python 3.11，无法切到 3.9/3.10；预装库太多，镜像超 2GB；国内用户容易因 channel 优先级错装 cuDNN - 推荐从
continuumio/miniconda3:latest（约 100MB）起步，自己写Dockerfile，显式指定pytorch-cuda=11.8或pytorch-cuda=12.1，并加清华源加速 - 构建后，每个容器对应一个确定的 CUDA Runtime + PyTorch 组合，互不干扰；
nvidia-smi在容器内和宿主机看到的是同一套驱动，但内部加载的库路径被严格隔离
Python 解释器版本要和 PyTorch 二进制包对齐
PyTorch 官方 wheel 和 conda 包都绑定具体 Python 版本。例如 torch-2.3.0+cu121-cp311-cp311-linux_x86_64.whl 只能在 Python 3.11 下导入；若你在 conda 环境里用 python=3.10 却强行装这个包，import torch 会直接报 ModuleNotFoundError。
实操建议：
- 创建环境时明确指定 Python 版本：
conda create -n pt23_cu121 python=3.11 - 安装前确认 channel 顺序：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/，避免 defaults 通道提供不匹配的构建 - 用
conda search pytorch查看可用构建，注意后缀中的cp311（Python 3.11）、cu121（CUDA 12.1）等标识
多个项目共存时，别混用 pip 和 conda 安装 PyTorch
在同一个 conda 环境里，先 conda install pytorch，再 pip install torch，极大概率导致 undefined symbol 错误。因为 pip 安装的 wheel 通常自带完整 CUDA 运行时（静态链接或自打包 .so），而 conda 安装的包依赖环境里的 cudatoolkit，两者 ABI 不兼容。
统一策略更安全：
- 全部走 conda：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia - 或全部走 pip（仅限 CPU 版或你完全掌控 CUDA 环境）：
pip3 install torch==2.3.0+cu121 --extra-index-url https://download.pytorch.org/whl/cu121 - 切记：conda 环境激活后，
which pip和which python必须指向该环境路径，否则你以为在装 A 环境，实际改了全局
Docker 层负责对齐驱动与 CUDA Runtime，Conda 层负责对齐 Python 解释器与 PyTorch 二进制包——漏掉任何一层，torch.cuda.is_available() 就可能变成薛定谔的开关。
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！
