OpenMMLab 2.x 不兼容 PyTorch 1.x？

Question

在升级至OpenMMLab 2.x框架时，部分开发者尝试沿用PyTorch 1.x版本，结果频繁出现`ImportError`或`AttributeError`，例如`'torch.Tensor' object has no attribute 'is_contiguous'`或`undefined symbol`错误。这源于OpenMMLab 2.x（如MMEngine、MMCV 2.0+）在设计上依赖PyTorch 2.0+引入的编译优化、`torch.compile`支持及Tensor API变更，导致与PyTorch 1.x的底层接口不兼容。因此，必须使用PyTorch 2.0及以上版本以确保正常运行。

Answer 1

1. 问题背景与现象描述

在将项目从 OpenMMLab 1.x 升级至 2.x 框架（如 MMEngine、MMCV 2.0+）的过程中，部分开发者尝试沿用已部署的 PyTorch 1.x 版本环境，结果频繁遇到 ImportError 或 AttributeError 等运行时异常。

• 'torch.Tensor' object has no attribute 'is_contiguous'
• undefined symbol: _ZN5torch3jit6tracer14push_executor...
• cannot import name 'compile' from 'torch'

这些错误并非代码逻辑问题，而是底层依赖不匹配所致。OpenMMLab 2.x 架构深度集成 PyTorch 2.0+ 的新特性，导致其无法在旧版本上正常加载或执行。

2. 根本原因分析：API 变更与编译机制演进

PyTorch 2.0 引入了多项关键变更，直接影响 OpenMMLab 2.x 的兼容性：

1. TorchDynamo 与 torch.compile 支持：OpenMMLab 2.x 利用 torch.compile() 实现训练加速，而该 API 在 PyTorch 1.x 中不存在。
2. Tensor API 调整：例如 is_contiguous 方法的行为变化或访问方式调整，引发属性缺失异常。
3. C++ 扩展 ABI 不兼容：MMCV 编译的 CUDA 算子依赖 PyTorch 2.0 的符号导出表，使用 1.x 加载时出现 undefined symbol 错误。
4. JIT 序列化格式升级：模型保存/加载过程中涉及的新序列化协议无法被旧版本解析。

特性	PyTorch 1.x	PyTorch 2.0+	OpenMMLab 2.x 依赖情况
torch.compile	不支持	支持	核心优化路径依赖
Tensor.is_contiguous()	直接属性访问	方法调用形式变更	部分模块直接调用
C++ Extension ABI	v1 ABI	v2 ABI	MMCV 编译依赖 v2
Distributed Training Backend	Legacy Launcher	FSDP & compile-friendly	默认启用 FSDP 集成

3. 技术排查流程图

```mermaid
graph TD
    A[启动训练脚本报错] --> B{错误类型判断}
    B -->|ImportError| C[检查torch.compile导入]
    B -->|AttributeError| D[检查Tensor API调用]
    B -->|undefined symbol| E[检查PyTorch与MMCV版本匹配]
    C --> F[确认PyTorch ≥ 2.0]
    D --> F
    E --> F
    F --> G[卸载旧版PyTorch]
    G --> H[安装PyTorch 2.0+对应CUDA版本]
    H --> I[重新安装MMCV 2.0+]
    I --> J[验证import mmcv成功]
    J --> K[运行示例任务测试]
```

4. 解决方案与最佳实践

为确保 OpenMMLab 2.x 正常运行，必须强制升级 PyTorch 至 2.0 及以上版本。以下是推荐操作步骤：

1. 查看当前环境：python -c "import torch; print(torch.__version__)"
2. 卸载旧版本：pip uninstall torch torchvision torchaudio
3. 根据 CUDA 版本选择安装命令，例如 CUDA 11.8：

pip install torch==2.1.0 torchvision==0.16.0 torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

1. 安装兼容的 MMCV-Full：

pip install mmcv-full==2.1.0 -f https://download.openmmlab.com/mmcv/dist/cu118/torch2.1/index.html

1. 验证安装：

python -c "import mmcv; from mmengine import Config; print('OK')"

此外，建议使用虚拟环境（如 conda）隔离不同项目的依赖，避免交叉污染。

5. 迁移中的高级注意事项

对于拥有大规模定制模型和私有算子的企业用户，需额外关注以下几点：

• 自定义 CUDA 算子重编译：所有基于 PyTorch 1.x 编译的 .so 文件必须使用 PyTorch 2.0+ 重新构建。
• 混合精度训练配置更新：AMP 配置项在 2.x 中有所调整，需同步修改 config 文件中的 fp16 → mixed_precision 设置。
• DistributedSampler 兼容性：DataLoader 分布式采样逻辑因 DDP 优化而变化，可能影响训练收敛行为。
• 日志与回调系统重构：MMEngine 的 Hook 机制替代了旧版 Runner 中的部分功能，需重构训练流程控制逻辑。

企业级部署应建立标准化的 CI/CD 流程，自动校验 PyTorch 与 OpenMMLab 组件的版本矩阵。