conda下载PyTorch卡在0B/s？换源与替代方案全解析

conda下载PyTorch永远卡在0B/s，进度条纹丝不动的场景，估计所有用conda装过深度学习环境的人都经历过。明明网络是通的，浏览器下载文件也能到几MB/s，偏偏conda装个torch就是慢得让人抓狂。这篇文章就是来解决这个问题的，核心思路就三条：配置国内源、清理或删除不合适的源、以及绕开conda直接用别的方式下载安装。我把自己这些年踩过的坑、试过的有效方案一次性梳理清楚，照着操作基本能解决90%以上下载慢的问题。

1. 下载慢的本质：不全是网速问题，是conda的下载链路在拖后腿

先说结论：conda下载PyTorch慢，很大概率不是你的宽带不行，而是conda默认走的下载通道和数据交换机制本身就不适合国内网络环境。

1.1 conda默认源的物理距离与HTTP并发限制

conda默认的channel是repo.anaconda.com，服务器托管在海外。国内直连这条链路，中间要过国际出口、海底光缆、多级运营商节点，任何一级出现拥塞或者丢包，体现在conda界面上就是速度暴跌甚至卡死。

更重要的是，conda在下载包时本质上是普通的HTTP文件拉取，它不会像浏览器那样对单个域名建立多个并发连接来加速。你要装一个PyTorch，往往连带CUDA运行时、cuDNN、mkl、openblas等一堆依赖，几十个包串行拉取，任何一个环节慢，整个安装过程就被拖住。我实测过一个包含torch、torchvision、torchaudio三个主包再加二十几个依赖的环境，直连官方源时经常出现某个包长时间停滞，最后报错退出。

所以第一步要认清的事情是：慢的根本原因是默认源的物理链路和conda的下载机制不匹配，换源是最直接、最有效的解法。

1.2 依赖解析阶段的隐蔽耗时

还有一个很多人忽略的点：conda install不是直接从网上下载软件包那么简单，它先要拉取channel的repodata.json索引文件，把整个channel里所有包的版本、依赖关系、校验值都读一遍，然后再做依赖求解。这个索引文件有几十MB，在不同channel上来回读取的速度，直接决定了你敲下命令之后“转圈圈”的时间。

也就是说，哪怕你最终要装的包只有几个，解析阶段也可能卡很久。很多人以为“conda正在下载”，实际它可能还在无穷无尽地读索引。国内源之所以好用，不仅因为下载包快，更因为索引文件在国内服务器的传输速度也远快于跨洋链路。

2. 配置国内源：三行命令让conda瞬间提速

国内主流的Anaconda仓库镜像站，我在不同项目里都用过。覆盖面最广、同步最稳定的是清华大学开源软件镜像站（清华源）、阿里云开源镜像站（阿里源）和中科大开源镜像站（中科大源）。这三个我都长期使用过，下面给出经过我反复验证的配置方案。

2.1 推荐配置：直接写入.condarc文件

conda的源配置读取的是用户目录下的.condarc文件。你可以手动编辑它，更稳妥的方式是让conda自己生成，然后我们用一段标准配置覆盖。

推荐的做法是直接执行以下命令生成一个干净的.condarc文件：

conda config --set show_channel_urls yes

然后编辑用户目录下的.condarc文件，写入如下内容（Windows在C:\Users\你的用户名\.condarc，Linux/macOS在~/.condarc）：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

这里有一个非常关键的经验：python=3.8以上的PyTorch官方安装命令经常会用到pytorch这个channel，如果这个channel没有被正确指向国内镜像，conda就会依然去访问官方源，导致“明明换了源还是很慢”的错觉。所以custom_channels里把pytorch对应的路径也设上。

如果使用阿里源或中科大源，把default_channels里的域名分别替换为https://mirrors.aliyun.com/anaconda/pkgs/和https://mirrors.ustc.edu.cn/anaconda/pkgs/即可，custom_channels对应路径也同步替换。配置写入后，用conda clean -i清理索引缓存，让conda重新拉取镜像站的索引。

2.2 验证换源是否成功

很多新手换完源就急着装包，结果依然慢，就开始怀疑是不是自己配置有问题。其实可以先用两个命令快速验证：

conda config --show channels

这个命令会列出当前生效的channel。如果显示的是镜像站的地址，说明channel配置已经生效。如果列出的是repo.anaconda.com，那说明.condarc里保留了官方源，配置有问题。

conda clean -i

然后执行安装，比如：

conda create -n test_env python=3.9 conda activate test_env conda install pytorch torchvision torchaudio cpuonly -c pytorch

实测下来，换源后即便是在高峰期，下载速度也能稳定在几MB/s以上，跟官方源的0K/s相比完全是两个世界。如果这一步已经解决你的问题，那么后文的坑你暂时遇不到；如果还在报错或慢，继续往下看。

3. 删源与换源：清理错误配置时最容易被忽视的三个坑

有换源就有删源。要么是原来配置了某个源已经失效，要么是某个第三方源同步延迟导致依赖解析失败，要么是打算从镜像源切回官方源。删源这件事看着简单，实际操作里我翻过好几次车。

3.1 删源的两种方式与索引缓存陷阱

删源有两种方式。

第一种是通过命令行删除指定channel：

conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

第二种是直接编辑.condarc文件，把不想用的channel行删掉。如果整个配置文件不要了，直接删除.condarc文件即可，conda会恢复默认源。

但删完之后有个致命细节：必须执行conda clean -i再继续安装，否则conda会优先使用本地缓存的索引数据。缓存的repodata.json里可能仍然记录着旧源的包路径和校验值，这会导致两种异常情况：一是conda仍尝试连接已删除的源；二是索引数据与真实源不一致，报出“PackagesNotFoundError”或“ChecksumMismatchError”。

我在处理某开发机时，就是因为删了旧的第三方源但没有清理索引缓存，执行install时报了莫名其妙的MD5 mismatch。排查了半小时，最后执行了conda clean -i --yes再重新安装，问题直接消失。

3.2 .condarc的YAML格式问题与“看起来对了其实没生效”

另一个低频但烦人的坑是.condarc文件解析失败。conda严格按YAML格式解析这个文件，我在配置里加了一行中文注释，某些conda版本对编码和特殊字符的处理不够健壮，导致解析报错。

更隐蔽的是URL结尾的斜杠问题。比如：

default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

我在某次迁移配置时手滑在末尾多加了一个斜杠，conda并不报错，但它在生成完整URL时会拼出双斜杠路径，某些镜像站的CDN对双斜杠路径会返回404或者重定向到错误的节点，导致包一直下载失败。

所以我的建议是：不要手写.condarc注释，不要改URL格式，严格复制官方镜像站文档中的标准写法。配置完成后马上用conda config --show检查源地址是否与预期完全一致，尤其注意末尾斜杠、http/https协议、域名拼写这三类问题。

3.3 @EXPLICIT环境导出文件里的源残留问题

这个坑比较冷门，但一旦遇到就很折腾。conda list --explicit导出的txt文件，或者是conda env export导出的environment.yml中，会记录每个包的具体来源URL。如果你从官方源导出了一份环境文件，然后把环境文件的channel模板改成了清华源，执行conda env create -f environment.yml时，conda依然会根据文件里记录的旧URL去拉取部分包，导致速度奇慢或直接失败。

正确的做法是：导出环境文件后做两层修改。第一层是environment.yml顶部的channels段，第二层是逐个检查包前缀中是否带https://repo.anaconda.com的完整URL，如果有，批量替换成镜像站对应路径。这类文件我建议用文本编辑器全局查找替换，不要手工一格格删。

4. 绕开conda：直接下载相关的三个可行替代方案

换源不是唯一出路。有时不管怎么配源，特定包在conda镜像上就是不完整，或者你根本不需要完整的conda环境管理，这时可以考虑绕开conda下载这个环节。

4.1 使用pip的国内源安装PyTorch

如果你当前的Python环境已经具备安装条件（比如已经有了基础Python解释器，或者为了特定python版本已经创建了一个conda环境），可以直接使用pip配合国内PyPI镜像来安装PyTorch，命令如下：

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

这里的思路是：在conda环境下使用pip安装包，PyPI镜像的同步完整度和下载速度通常优于Anaconda镜像。尤其对于PyTorch这种官方在PyPI上持续发布wheel包的场景，pip的安装链路往往更快更稳定。

但要注意一个使用策略问题：不要把pip当成conda的替代品去安装环境里所有包。混用两者管理同一个Python环境，时间久了会积累“pip安装了A包，conda不知道，之后conda安装某个依赖时把A包覆盖掉”这样的依赖冲突。我的建议方案是，基础依赖与Python版本管理用conda，大型机器学习框架如PyTorch用pip安装，二者并用时务必保持两个列表都清楚。

4.2 手动下载wheel文件离线安装

如果服务器在隔离内网，或者某些镜像站持续抽风，手动下载wheel文件再离线安装是最稳妥的兜底方案。

具体流程：

1. 去PyTorch官网的get-started页面选择合适的版本、操作系统、CUDA版本组合，会生成对应的pip安装命令。
2. 进入PyTorch官方whl包索引页，找到对应版本的.whl文件名，例如torch-2.1.0+cu118-cp39-cp39-linux_x86_64.whl。
3. 在能访问外网的机器上下载该文件（浏览器或wget均可），传到内网机器。
4. 执行安装：pip install ./torch-2.1.0+cu118-cp39-cp39-linux_x86_64.whl。
5. 安装后验证：

import torch print(torch.__version__) print(torch.cuda.is_available())

关键是要确保whl文件名里的cp39与你当前环境的Python版本（3.9）一致；linux_x86_64与操作系统架构一致（Windows则是win_amd64）。版本不匹配时pip会提示“torch is not a supported wheel on this platform”。

4.3 conda-pack：把整套环境打包拷贝的另类思路

还有一种绕开conda网络问题的方式是conda-pack，它可以把某个机器上已经安装好的conda环境打包成tar.gz压缩包，拷到另一台机器上直接解压使用，不需要在目标机器上重复下载任何包。

conda install conda-pack conda pack -n torch_env -o torch_env.tar.gz

在目标机器上解压后，把目录放到conda的envs目录下或者直接激活使用。这个方法非常适合多台机器需要相同环境的场景。不过有一个前提：打包机和目标机的操作系统、CUDA驱动版本要基本一致，尤其是PyTorch这类二进制包绑定了CUDA运行时，如果两台机器CUDA版本差异过大，即使环境包能解压，跑起来也会报错。

5. 源的选择与长期维护：给新手的一份自用切换策略

配置源不是一劳永逸的事，实战中我见过不少环境被“源折腾”破坏。总结一套自用策略给大家参考。

5.1 源的速度与同步度对比

注意一个细节：镜像站与官方源不是完全实时同步的。如果你安装的包是某个频道刚发布的最新版，镜像站上可能还没同步过去。这时会报“Package missing in current channels”，有人第一反应是“源坏了”，其实只是同步延迟而已。这种情况的解决方案有两个：等几个小时重试，或者临时加官方channel只装这一个包。

另外一个容易被忽略的问题是，不要同时开启两个镜像站作为default_channels。不同镜像站的同步时间戳不同，conda在求解依赖时会去对比两个站的repodata，一旦两个站的索引不同步，可能出现“包A在源1有记录、依赖包B在源2有记录、但两个站对B的版本要求不一致”的乱象。默认推荐只用同一个镜像站的一组频道，不要混搭。

5.2 发现源有问题后的正确处置流程

如果某天conda install突然变慢或报404错误，我的排查流程是：

conda clean -i # 清理缓存索引 conda config --show-sources # 检查当前所有配置来源

先确认是不是本机缓存导致的，如果清理后问题依旧，再检查镜像站公告确认是否处于同步中断或维护期。这时候不要马上把整个配置文件删掉，而是临时切换到另一个镜像站，把default_channels和custom_channels的域名整体替换，再清理一次索引缓存重试。如果切源后恢复正常，说明旧的镜像站在那一段时间有问题，不影响长期使用；如果切源后依然报错，才需要考虑是不是环境本身的依赖关系出了问题。

5.3 我自己的最终推荐组合

以我最近半年维护多个环境的经验，最省心的组合是：基础包与依赖库走清华源，PyTorch系直接用pip走PyPI镜像，conda-forge频道的包走清华源或中科大源。三者按需使用，互不干扰。

给新手的直接建议是：

1. 首次配置：把.condarc四个section写全（channels、show_channel_urls、default_channels、custom_channels）。
2. 移除空闲源：只保留一个主镜像源。
3. 遇到具体安装失败：先conda clean -i再重试，无效再切源，再无效直接改用pip镜像或whl文件离线装。
4. 保持耐心：镜像站同步有时差，热门包的过时版本下载通常没问题，但最新版本可能延迟。

这套流程在我处理过的几乎所有“conda下载慢”“换源后报错”问题中都稳住了，按这个顺序排查，基本不会有解不开的死结。环境维护本身就是不断跟网络、索引、依赖三方博弈的过程，把这几个工具用熟了，比记住任何一条单一命令都更有价值。