PyTorch卸载后残留缓存文件怎么清理

一、为什么卸载 PyTorch 后磁盘空间没有明显变化

很多开发者在完成深度学习项目或更换深度学习框架后，会执行常规卸载命令。然而检查系统盘（特别是 Windows 的 C 盘或 Linux 的根分区）时，常常会发现几十吉字节（GB）的容量并没有如期释放。这一现象是由 Python 生态的设计机制决定的。

Python 虚拟环境（如 venv、conda env）主要管理环境自身目录下的第三方包文件（即 site-packages）。当执行卸载时，包管理器仅严格删除该目录下的 torch、torchvision、torchaudio 等包体代码。但 PyTorch 在运行过程中为了保证效率和复用能力，会将大量重型依赖和构建产物写入用户的全局主目录中，这些目录独立于任何具体的虚拟环境。

图1：PyTorch 卸载后已删除组件与外部持久化缓存目录分布对比

二、四大主要残留缓存分类与存储路径

PyTorch 的残留主要集中在四个独立的位置。为了避免误删其他正常软件的数据，先了解每个目录承担的职责至关重要：

1. Torch Hub 预训练模型权重（体积最大）

当在代码中调用 torch.hub.load() 或使用 torchvision.models（如 ResNet、VGG、BERT、Stable Diffusion 权重等）时，PyTorch 会自动将远端模型下载到本地。如果未显式配置 TORCH_HOME，权重默认存放在用户目录下的 .cache/torch/hub/checkpoints/ 中。这类模型文件单个往往从几百 MB 到数十 GB 不等，是导致磁盘吃紧的头号元凶。

2. C++/CUDA 扩展构建缓存（torch_extensions）

在使用诸如 torch.utils.cpp_extension 进行即时编译（JIT 编译），或者安装 FlashAttention、Deepspeed、Apex 等需要本地针对具体 GPU 架构编译的算子时，系统会生成大量的目标文件（.obj、.so、.ninja 锁文件与符号文件）。这些构建产物统一缓存在 torch_extensions 目录下。

3. PyTorch 2.x Triton 与 Inductor 缓存

从 PyTorch 2.0 开始，引入了 torch.compile 及其后端 Triton 编译器。在首次执行模型前向与反向传播编译时，Triton 会在用户的根目录下创建 .triton/cache，记录编译生成的 GPU 内核文件。卸载 PyTorch 后，该目录并不会被联动清除。

4. 包管理器下载的 Wheel 与包缓存

由于 PyTorch 官方附带庞大的 CUDA Runtime（cuDNN、NCCL 等动态链接库），其官方安装包（.whl）体积往往高达 2GB 到 3GB 甚至更大。使用 pip install torch 时，pip 会在系统缓存区完整保留这份下载文件；使用 Conda 安装时，pkgs 目录也会保留压缩包及解包缓存。

图2：不同操作系统下 PyTorch 核心缓存的具体存放目录

三、残留缓存的排查与清理操作步骤

按照“先排查确认占用、再针对性清理、最后验证空间”的步骤执行，可以有效避免因误删导致其它系统功能异常。

图3：PyTorch 残留缓存排查与清理的完整操作步骤

步骤 1：排查现有残留容量

在直接删除前，建议先通过终端命令查看各缓存目录实际占用的磁盘大小。

在 Linux / macOS 下执行：

# 查看 Torch 权重和扩展编译缓存的大小
du -sh ~/.cache/torch 2>/dev/null
du -sh ~/.cache/torch_extensions 2>/dev/null
du -sh ~/.triton 2>/dev/null

# 示例输出参考（实际视本机使用情况而定）：
# 18G    /home/username/.cache/torch
# 420M   /home/username/.cache/torch_extensions
# 1.2G   /home/username/.triton

在 Windows（PowerShell）下执行：

# 检查 Torch 目录大小
$torchPath = "$HOME\.cache\torch"
if (Test-Path $torchPath) {
    "{0:N2} GB" -f ((Get-ChildItem $torchPath -Recurse | Measure-Object -Property Length -Sum).Sum / 1GB)
} else { "目录不存在" }

步骤 2：彻底删除 Torch 与 Triton 专属运行时缓存

这些目录中的所有内容均为 PyTorch 运行期派生数据，可以直接递归删除。如果未来再次安装 PyTorch，它会在首次需要时重新创建空文件夹并按需拉取，不会造成程序损坏。

在 Linux / macOS 下执行删除：

# 清理 Torch 模型权重与运行时数据
rm -rf ~/.cache/torch

# 清理 C++/CUDA 扩展构建临时产物
rm -rf ~/.cache/torch_extensions

# 清理 PyTorch 2.x Triton 编译缓存
rm -rf ~/.triton/cache ~/.cache/triton 2>/dev/null

在 Windows 下执行删除（PowerShell 或 CMD）：

# 在 PowerShell 中执行移除
Remove-Item -Recurse -Force "$HOME\.cache\torch" -ErrorAction SilentlyContinue
Remove-Item -Recurse -Force "$HOME\.cache\torch_extensions" -ErrorAction SilentlyContinue
Remove-Item -Recurse -Force "$HOME\.triton" -ErrorAction SilentlyContinue

如果使用图形界面文件资源管理器，也可以在路径地址栏输入 %USERPROFILE%\.cache 并回车，手动选中并彻底删除（Shift + Delete）名为 torch 与 torch_extensions 的文件夹。

步骤 3：清除包管理器安装包残留（pip / Conda）

除了运行期缓存，安装过程中留存的巨大 Wheel 文件也需要清理。

清理 pip 缓存：

# 查看当前 pip 缓存位置与体积
pip cache list

# 一键清除所有已缓存的 wheel 包
pip cache purge

如果只想单单删除与 torch 相关的下载轮子包，可以在 pip 缓存目录下的 wheels 文件夹中搜索包含 torch 关键字的文件进行针对性删除。

清理 Conda 缓存包：

# 清除未使用的包与 tarballs 压缩包
conda clean --all -y

该命令会安全地扫描 Conda 安装目录下的 pkgs/ 文件夹，清除已被删除环境遗留下来的未解包压缩归档及孤立库文件，通常能立刻释放 3GB ~ 10GB 以上的存储。

四、特殊配置检查：自定义缓存路径（TORCH_HOME）

某些开发者为了缓解 C 盘压力，此前可能在系统的环境变量或 shell 配置文件（如 ~/.bashrc、~/.zshrc、Windows 系统环境变量）中指定过自定义路径：

• TORCH_HOME：指定权重与 Hub 数据根路径（例如 D:\data\torch_cache 或 /data/torch）。
• TORCH_EXTENSIONS_DIR：指定 JIT 扩展构建路径。
• HF_HOME / TRANSFORMERS_CACHE：如果配合 Hugging Face 模型库使用，权重往往缓存在这里。

如果清空默认的 ~/.cache/torch 后发现磁盘仍然没有变化，可以通过终端查看环境变量是否指向了其他驱动器：

# Linux / macOS
echo $TORCH_HOME
echo $TORCH_EXTENSIONS_DIR

# Windows PowerShell
$env:TORCH_HOME
$env:TORCH_EXTENSIONS_DIR

如果输出了具体目录，直接前往该路径手动清空对应的文件夹即可。

五、清理后验证与日常缓存治理总结

完成上述清理后，建议使用系统的存储检查工具验证磁盘释放成果。同时，如果未来仍需频繁安装与测试不同的深度学习框架，掌握合理的缓存管理策略能彻底避免系统盘被填满的困扰。

图4：PyTorch 缓存长效治理与周边深度学习框架残留排查指南

按照上述步骤操作后，PyTorch 在机器上产生的各类全局残留将彻底清除，系统盘能够恢复原本应有的空闲空间。对于需要经常训练模型的开发者，建立将 TORCH_HOME 指向非系统盘数据分区的习惯，是长期维护开发环境整洁最省心的方法。