达拉斯 GPU 服务器 CUDA 多版本共存：update-alternatives 切换 vs Conda 隔离怎么选
在 达拉斯 GPU 服务器 上跑深度学习，不同框架对 CUDA 版本要求冲突：PyTorch 2.1 要 CUDA 12.1，TensorFlow 2.13 要 CUDA 11.8，老项目还在用 CUDA 11.3。怎么在同一台机器上管理多个 CUDA 版本？云数方舟 帮你算清楚两种方案的账。
方案一：系统级 update-alternatives 切换。安装多个 CUDA 版本到不同路径（/usr/local/cuda-11.8、/usr/local/cuda-12.1），用 alternatives 管理符号链接：
# 注册各版本 update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.8 118 update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-12.1 121 # 切换版本 update-alternatives --config cuda # 选编号即可
切换后 /usr/local/cuda 指向选中版本，nvcc --version 立即生效。
优点：全局生效，所有用户/服务用同一版本，配置简单。
缺点：切换是全局的，多人共用服务器时互相干扰；需要 root 权限。
方案二：Conda 环境隔离。每个项目建独立 Conda 环境，在环境内装对应 CUDA toolkit：
# 项目 A：PyTorch 2.1 + CUDA 12.1 conda create -n proj_a python=3.10 conda activate proj_a conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia项目 B：TensorFlow 2.13 + CUDA 11.8 conda create -n proj_b python=3.9
conda activate proj_b
conda install tensorflow-gpu=2.13 cudatoolkit=11.8
Conda 会把 CUDA runtime 装在环境目录内（~/anaconda3/envs/proj_a/lib/），不碰系统 CUDA。
优点：用户级隔离，互不影响；不需要 root；环境可导出 environment.yml 复现。
缺点：每个环境占 2-5GB 磁盘；Conda 解析依赖有时慢。
| 对比维度 | update-alternatives | Conda 隔离 |
|---|---|---|
| 隔离粒度 | 系统全局 | 用户/项目级 |
| 切换速度 | 秒级（改 symlink） | 秒级（conda activate） |
| 磁盘占用 | 共享，省空间 | 每环境 2-5GB |
| 需要 root | 是 | 否 |
| 多用户冲突 | 有 | 无 |
| Docker 兼容 | 需挂载 /usr/local/cuda | 容器内独立 |
方案三（进阶）：Docker + nvidia-container-toolkit。每个容器 FROM 不同 CUDA 基础镜像，彻底隔离：
docker run --gpus all -it nvidia/cuda:11.8-devel-ubuntu22.04 docker run --gpus all -it nvidia/cuda:12.1-devel-ubuntu22.04
优点：完全隔离，生产环境最稳。缺点：镜像大（devel 版 8GB+），学习成本高。
行动建议。在 达拉斯 GPU 服务器 上：
– 单人开发/实验：用 Conda 隔离，灵活不折腾系统。
– 多人共用服务器：每人 Conda 环境 + 共享系统 CUDA（默认 12.1），需要旧版本时 Conda 装。
– 生产部署：Docker 容器化，每个服务打包自己的 CUDA 版本。
– 系统 CUDA 只装最新版（当前 12.4），驱动向下兼容旧 runtime，所以 12.4 驱动能跑 11.8 的容器。
云数方舟 达拉斯 GPU 节点默认预装 CUDA 12.1 + nvidia-driver 550，开箱即用，省去驱动安装踩坑时间。
📌 查看云数方舟达拉斯 GPU 方案：
云数方舟官网 ｜ 达拉斯显卡服务器（RTX 4090/5090）
本文由 云数方舟 技术团队原创发布，转载请注明出处。
