实验室的小师妹要安装pytorch的第三方模块，经过多方努力没有安装上，后来我接手后也是感觉头疼。
该模块地址：
https://github.com/GraphNAS/GraphNAS
该模块主页给出两种安装方式：
Requirements
Recent versions of PyTorch, numpy, scipy, sklearn, dgl, torch_geometric and networkx are required. Ensure that PyTorch 1.1.0 and CUDA 9.0 are installed. Then run:
pip install torch==1.1.0 -f https://download.pytorch.org/whl/cu90/torch_stable.html
pip install -r requirements.txt
If you want to run in docker, you can run:
docker build -t graphnas -f DockerFile . docker run -it -v $(pwd):/GraphNAS graphnas python -m eval_scripts.semi.eval_designed_gnn
第一种安装方式， 使用 pip 的安装方式， 各种报错， 错误种类太多。
不过看了看该模块的源代码后对报错的种类有了一些了解， 报错按照运行方式来分类的话可以分为CPU和GPU端上的 编译报错和运行报错，
CPU端上 编译报错就是GCC, G++ 没有安装，或者安装版本不对， 运行报错就是python的版本和编译的版本各种不对。
GPU端上 编译报错就是没有安装NVIDIA显卡的编译器 没有NVCC， 有了nvcc则是没有配置CUDA_HOME PATH 路径。
环境变量 PATH 为：
PATH="/usr/local/nvidia/bin:/usr/local/cuda/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin"
环境变量 LD_LIBRARY_PATH 为：
LD_LIBRARY_PATH="/usr/local/nvidia/lib:/usr/local/nvidia/lib64:/usr/local/cuda/lib64"
------------------------------------
最为关键的就是GPU端编译后运行报错，显示版本不对应，最后终于安装上给出安装的详细配置。
python==3.6.8 (系统原生Python 或者 conda创建的环境 均可)
pytorch 选择pip方式安装的 pytorch==1.1.0 （cuda==9.0）
运行及编译的环境为 cuda10.1 或 cuda10.2 均可。
其中， pytorch 下载地址： https://download.pytorch.org/whl/cu90/torch-1.1.0-cp36-cp36m-linux_x86_64.whl
采用以上配置，可以成功编译模块，安装，然后运行。
验证是否成功：（测试代码）
python -m eval_scripts.semi.eval_designed_gnn
python -m eval_scripts.sup.eval_designed_gnn
python -m graphnas.main --dataset Citeseer
python -m graphnas.main --dataset Citeseer --supervised True --search_mode micro
其实，之前好多种版本的python ，cuda 都已经试过，conda安装的Python还有Ubuntu自带原生的Python都试过，最后就这个成了。
之所以这个最后成功也是误打误撞的，首先电脑上系统自带的原生Python比较老，是3.6.8版本的，没有安装conda, 于是采用pip安装的方式安装pytorch，又由于网速问题选择安装wheel版本的， 然后记错了本地cuda版本，原以为是cuda9.0的，于是安装的pytorch是cuda9.0的， 但是实际上电脑系统的cuda是10.1版本的。于是乎就有了上面的这个成功的配置。中间过程用过各种版本，神奇的是采用conda安装的3.7版本Python和对应的pytorch无法成功安装该模块。这也是试过太多的版本，最后试的有些迷糊了，然后就这样胡乱的成功编译安装，运行了，这也是好神奇的事情，回顾整个安装这个模块的时间可以说一整天时间都用上也不为过。
---------------------------------------------
事后个人总结了一下，安装这个模块的难点主要是GPU上运行代码的编译，由于很多人都是使用conda来跑pytorch的，
但是conda安装的cuda-toolkit只有runtime的api没有编译时候的api，所以一定要在电脑上手动安装cuda,并且配置好环境参数，
同时不要使用conda下的pytorch，因为conda下安装pytorch会自动安装runtime版本的cuda，这样又会和主机的cuda版本造成冲突。
所以，关键点在于主机上手动安装cuda,并配置环境，pytorch也只用pip方式安装wheel版本，这样就避免了编译代码的cuda和运行代码的cuda版本不一致问题。