### 如何打包 Python 包和 CUDA 并将其传输到离线服务器 #### 使用 `pipreqs` 和 `conda-pack` 为了确保在离线环境中能够顺利运行所需的 Python 库以及 CUDA 工具链，建议按照如下方式操作： 对于 Python 包的管理，可以采用 `pipreqs` 来生成项目的依赖列表文件 requirements.txt。这一步骤可以在联网环境下完成，通过执行命令 `pip install pipreqs` 安装工具，并随后使用 `pipreqs --force ./` 或者针对编码问题指定 `--encoding=utf-8` 参数来创建或更新需求文件[^1]。 当涉及到更复杂的环境配置时，比如包含了特定版本的解释器以及其他二进制组件（如 CUDA），推荐使用 Conda 的打包功能。首先，在有网络连接的工作站上准备好目标环境，接着安装 `conda-pack` 插件以便于导出该环境：`conda install conda-pack`[^3]。一旦准备就绪，则可以通过简单的指令 `conda pack -n your_env_name -o path/to/output.tar.gz` 将整个环境压缩成 tarball 文件形式保存下来。 #### 处理离线服务器上的部署 将之前制作好的 tarball 文件上传至目标机器后，解压即可恢复完整的开发环境。具体来说就是把 .tar.gz 文件拷贝过去并通过 SSH 登录远程主机，切换到相应的目录下执行 `tar -xzf output.tar.gz` 解档动作；紧接着激活新建立起来的 Anaconda 环境 `source /path/to/env/bin/activate` 即可正常使用已有的软件集合了。 至于那些单独下载下来的 wheel 文件或者其他格式的 Python 扩展模块，可以直接放置在一个临时文件夹内 `/root/temp` 下面，然后借助 pip 命令来进行批量安装工作。值得注意的是，由于可能存在相互之间的依赖关系，因此最好一次性全部处理完毕，即 `cd /root/temp && pip install *.whl` 这样做能有效减少错误发生的几率[^2]。 最后关于 CUDA 部分的内容，一般情况下它已经被集成到了某些预构建的 Conda 发行版之中，所以只要遵循上述流程应该就能满足大部分应用场景下的需求。不过假如确实有必要单独搬运 NVIDIA 提供的标准发行包的话，那么同样适用类似的思路—先在线获取资源再转移至目的端实施安装过程。 ```bash # 创建并激活新的Conda环境 conda create -n myenv python=3.7 conda activate myenv # 安装必要的CUDA相关库和其他依赖项 conda install cudatoolkit=10.1 pytorch torchvision torchaudio cudnn # 使用conda-pack打包当前环境 conda pack -n myenv -o ~/myenv_packed.tar.gz # 在离线服务器上解压并激活此环境 tar -xzf ~/myenv_packed.tar.gz source myenv/bin/activate ```