如何在Ubuntu上集成PyTorch与其他框架

在Ubuntu上同时驾驭PyTorch和其他深度学习框架，听起来像是要在一台机器里塞进两支不同风格的乐队——但其实远没你想的那么复杂。只要把安装顺序、版本兼容和共享机制理清楚，就能让它们各司其职、互不干扰。下面直接进入正题。

1. 安装PyTorch

第一步自然是装好PyTorch本身。官方站点的安装命令已经足够清晰，选对CUDA版本就行。

# 用pip安装
pip install torch torchvision torchaudio

# 或者用conda（如果你走Anaconda路线）
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

装完之后最好随手跑个简单的张量计算，确认GPU能用，免得后面排查时绕弯路。

2. 安装其他框架

紧接着，按你需要的框架来装。这里列三个最常见的。

TensorFlow

pip install tensorflow

Keras

Keras现在已经是TensorFlow的默认前端了，所以装上TensorFlow就等于有了Keras，不用单独操心。

FastAI

pip install fastai

注意：FastAI对版本有依赖，建议在虚拟环境里安装，避免和PyTorch版本冲突。

3. 集成PyTorch与其他框架

所谓的“集成”，在实际项目中通常就是让它们在同一个工作流里各取所长。具体怎么操作？下面三种方法足够覆盖绝大多数场景。

用Python的多线程或多进程跑不同框架

如果你希望PyTorch负责模型A、TensorFlow负责模型B，并且两者并行执行，最简单的办法就是用线程或进程把它们隔离开。

import threading
import torch
import tensorflow as tf

def run_pytorch():
    # PyTorch代码
    pass

def run_tensorflow():
    # TensorFlow代码
    pass

pytorch_thread = threading.Thread(target=run_pytorch)
tensorflow_thread = threading.Thread(target=run_tensorflow)

pytorch_thread.start()
tensorflow_thread.start()

pytorch_thread.join()
tensorflow_thread.join()

这里有个容易被忽略的细节：不同框架的GPU内存管理策略不一样，线程里使用GPU时需手动指定显存分配，否则可能发生因默认抢占导致的OOM。

在Jupyter Notebook里混用

Jupyter Notebook其实是多框架集成的天然舞台。一个cell跑PyTorch，下一个cell切到TensorFlow，甚至可以在同一个cell里同时import，只要注意当前kernel的环境已包含所需包。

import torch
import tensorflow as tf
# 然后随心所欲地写代码

这种模式特别适合做模型对比实验：用同一套数据，分别用不同框架训练，然后并排输出指标。

用ONNX打通模型互转

如果想把PyTorch训练好的模型放到TensorFlow Serving或者ONNX Runtime里部署，ONNX是公认的桥梁。举个最简单的例子：

import torch
import onnx

model = torch.nn.Linear(10, 5)
dummy_input = torch.randn(1, 10)
torch.onnx.export(model, dummy_input, "model.onnx")
# 导出后，其他支持ONNX的框架就能加载并运行

转换时需要注意：并不是所有PyTorch算子都能平滑映射到ONNX，尤其是动态控制流和自定义操作。建议提前查阅ONNX的算子支持列表，或者用torch.onnx.export的dynamic_axes参数处理可变输入维度。

注意事项

• 版本兼容是最大的坑。比如PyTorch 2.x和TensorFlow 2.10以下的某些GPU驱动要求不同，最好先列一个版本矩阵再动手装。
• 多进程环境下，显存分配要显式控制，可以用tf.config.experimental.set_memory_growth和torch.cuda.set_device来协调。
• ONNX转换后务必做一次推理比对，确保精度损失在可接受范围内。

总的来说，Ubuntu下集成多框架并不玄学，只要理清安装路径、资源隔离和模型互转这三条线，你完全可以在一个系统里同时享受PyTorch的灵活和TensorFlow的生产力。好，动手试试吧。