本文适用于：需要在 Linux / 服务器 / Docker / GPU 环境中安装 CUDA、NCCL、PyTorch 的工程同学
目标：快、稳、不踩坑
背景问题
在实际工程中，直接使用 conda install cudatoolkit nccl 经常会遇到：
• Solving environment 卡很久（十几分钟甚至卡死）
• conda-forge + CUDA 依赖回溯极慢
• pip / conda 混装导致 NCCL、CUDA 动态库异常
根因并不是网络慢，而是 conda 的 Python solver 在处理复杂依赖时性能不足。
解决方案总览
核心思路：用 mamba 替代 conda 作为安装器，但仍然使用 conda 的仓库和环境体系。
• conda：负责环境管理
• mamba：负责依赖求解 + 安装
Step 1：在 base 环境安装 mamba（一次性）
conda install -y -n base -c conda-forge mamba
说明：
• 只需要安装一次
• 建议装在 base 环境
• 后续所有环境都可以直接使用 mamba
验证：
mamba --version
Step 2：使用 mamba 安装 CUDA / NCCL（关键步骤）
mamba install -y -c conda-forge cudatoolkit=11.8 nccl
特点：
• 通常 10～30 秒内完成
• 不会长时间卡在 Solving environment
• 安装的是 conda-forge 官方包
Step 3：安装 PyTorch（推荐方式）
mamba install -y -c pytorch -c nvidia pytorch pytorch-cuda=11.8 torchvision
说明：
• PyTorch 官方推荐渠道
• CUDA / NCCL / PyTorch 版本强一致
• 避免 pip CUDA / pip NCCL 引发的动态库问题
Step 4：安装完成后的校验
1️⃣ 检查 NCCL 动态库
ldconfig -p | grep libnccl
期望输出类似：
libnccl.so.2 (libc6,x86-64) => <conda_env>/lib/libnccl.so.2
2️⃣ 检查 CUDA 是否可用（PyTorch）
python - <<EOF
import torch
print(torch.cuda.is_available())
print(torch.version.cuda)
EOF
为什么 mamba 这么快？（简要原理）
• conda solver：Python 实现，回溯搜索，单线程
• mamba solver：C++（libsolv），SAT 求解，多线程
一句话总结：conda 在"试"，mamba 在"算"。
在 CUDA / NCCL 这种依赖极深的场景下，性能差距往往是 数量级。
强烈建议（工程实践总结）
✅ 推荐做法
• GPU 相关依赖：
◦ mamba install
◦ conda-forge / pytorch 官方渠道• pip 只用于：
◦ 纯 Python 包❌ 避免做法
• pip install nvidia-nccl-*
• pip install torch + conda CUDA 混用
• root 用户下反复 pip / conda 混装 GPU 栈
推荐使用模式（模板）
创建新环境（推荐）
mamba create -y -n gpu118 python=3.10
conda activate gpu118
GPU 栈
mamba install -y -c conda-forge cudatoolkit=11.8 nccl
mamba install -y -c pytorch -c nvidia pytorch pytorch-cuda=11.8 torchvision
业务依赖
pip install numpy pandas opencv-python
mamba 安装 PyTorch（CUDA / NCCL）完整流程总结
目标：在 Linux / 服务器 / GPU 环境中，用最快、最稳的方式安装 PyTorch（CUDA + NCCL 完整可用）
一句话结论
GPU 环境装 PyTorch：用 mamba，不用 conda solver，不用 pip