企业官网建设流程全解析

1. 版本兼容性是第一道生死线

1.1 为什么选 CUDA 11.1 + PyTorch 1.8 这个组合

先说结论：这个组合在 2021 年到 2023 年之间，几乎是深度学习炼丹师的“标配”之一。PyTorch 1.8 是 2021 年 3 月发布的版本，官方在发布时明确支持 CUDA 11.1 和 CUDA 10.2 两套运行时。CUDA 11.1 是 NVIDIA 在 2020 年底推出的版本，当时对 Ampere 架构（也就是 RTX 30 系列显卡）做了完整适配，像 A100、RTX 3090 这些卡在 CUDA 11.1 下跑得最稳。

放到今天来看，虽然 CUDA 12.x 和 PyTorch 2.x 早就出来了，但很多老项目、论文复现、课程作业还锁死在 PyTorch 1.8 上。尤其是一些工业界的推理服务，为了“稳定压倒一切”，宁可守着旧版本也不升级。所以这个组合并没有过时，反而因为踩坑的人足够多，解决方案也变得非常成熟。

但我必须说句实在话：在动手配置之前，先想清楚你到底需不需要这个组合。如果你的显卡是 RTX 30 系列之前的老卡（比如 GTX 10 系列），CUDA 11.1 反而支持得没毛病；如果是 RTX 40 系列（比如 4090），那 CUDA 11.1 根本装不上驱动适配层，这时候你需要的不是这套环境，而是先升级到 CUDA 12.x 或者把 PyTorch 升到 1.13 以上。判断标准很简单：去 NVIDIA 官网查你显卡的Compute Capability（算力代号），如果大于等于 8.0，那 CUDA 11.1 就是可用的；如果是 8.6 以上，建议直接上 CUDA 11.8。

1.2 最容易忽略的版本对应关系

很多人一上来就 pip install torch==1.8.0，结果装完发现 torch.cuda.is_available() 返回 False，直接心态崩了。这里有个大坑：PyTorch 的 PyPI 默认包是带 CUDA 10.2 运行时的，你要的是 CUDA 11.1 版本，必须从官方指定的源安装。

PyTorch 官方给出来的安装命令是这样的：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

注意看这个命令里的 +cu111 后缀，这才是关键。如果你直接 pip install torch==1.8.0，默认拿到的是 CPU 版本或者 CUDA 10.2 版本，跟你系统里装的 CUDA 11.1 根本对不上。

除了 PyTorch 本身，还要注意两个配套库的版本：

这里特别提醒一句：Python 版本别用最新的。PyTorch 1.8 发布的时候 Python 3.9 刚出来不久，官方轮子对 3.9 的支持处于“半残”状态。我见过太多人用 Python 3.9 装 torch 1.8，装是能装上，一跑就报 OSError 或者段错误。最稳的选择是 Python 3.8.10，退一步用 3.7 也没问题。

2. 环境准备：显卡驱动、CUDA Toolkit、cuDNN 三者到底什么关系

2.1 驱动、Toolkit、cuDNN 的角色分工

很多新手把“CUDA 版本”理解成“显卡驱动的版本”，这是个大误区。我把这三个东西的关系用大白话说清楚：

• 显卡驱动：是操作系统和显卡硬件之间的翻译官。它决定了你的显卡能不能被系统识别，以及能跑多新的 CUDA 运行时。
• CUDA Toolkit：是一整套开发工具包，包含编译器（nvcc）、各种库文件（如 cublas、cudart）和头文件。你系统里装了这个，才能编译 CUDA 代码，也才能让 PyTorch 找到 CUDA 运行时。
• cuDNN：是 NVIDIA 专门为深度学习优化的深度神经网络库，卷积运算、LSTM 等都靠它加速。PyTorch 不会直接调用你系统里的 cuDNN（conda 安装时会单独带一份），但如果你要自己编译 C++ 扩展或者用 TensorRT，那系统里的 cuDNN 版本就得对上。

简单来说：驱动是地基，CUDA Toolkit 是脚手架，cuDNN 是装修材料。PyTorch 在 conda 模式下会自带一份 CUDA 运行时和 cuDNN，不需要你系统里装了完整的 CUDA Toolkit 也能跑；但在 pip 模式下，PyTorch 虽然也内置了部分运行时，编译自定义算子时还是得依赖系统的 CUDA。

2.2 显卡驱动的安装与检查

如果你已经装了 NVIDIA 驱动，先别急着装 CUDA。打开命令行，输入：

nvidia-smi

看右上角那行“CUDA Version”，这里显示的是当前驱动所支持的最高 CUDA 版本。比如显示 11.4，那就意味着你的驱动可以兼容 CUDA 11.1 及以下的所有 CUDA 版本。注意：这里的 CUDA Version 不是你已经装好的 CUDA 版本，而是驱动的能力上限。

如果这个数值小于 11.1，那你需要先升级显卡驱动。升级驱动的方式：

1. 到 NVIDIA 官网驱动下载页面，输入你的显卡型号和操作系统。
2. 下载 Game Ready 或 Studio 驱动都行，推荐 Studio 驱动（稳定性更好）。
3. 安装时选择“自定义安装”，勾选“执行清洁安装”，避免旧驱动残留。

这里有个坑：很多笔记本用户有“双显卡”（Intel 集显 + NVIDIA 独显），装驱动的时候系统可能默认给集显装驱动，导致 nvidia-smi 根本找不到命令。解决办法是去设备管理器里确认 NVIDIA 显卡是否存在，如果存在但 nvidia-smi 不可用，就先把集显驱动禁掉，装完 NVIDIA 驱动再启用。

2.3 CUDA Toolkit 11.1 安装的两种模式

CUDA Toolkit 11.1 的安装方式主要有两类：本地 runfile（Linux）和 exe（Windows），以及网络版安装器。我强烈推荐本地安装包，网络版安装器在网速不稳的情况下很容易下载到一半就失败，断了还得重来。

Linux 下的 runfile 安装步骤：

wget https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_455.23.05_linux.run sudo sh cuda_11.1.0_455.23.05_linux.run

这里一定要注意：安装过程中会让你选择是否安装显卡驱动。如果你的驱动已经装好了（且版本大于等于 455.23.05），务必在安装界面取消勾选 Driver，只选 CUDA Toolkit 那一项，否则会把当前驱动给替换掉，搞不好就黑屏了。

Windows 下比较简单，双击 exe 安装包，选择“自定义”安装模式。同样，如果驱动已有，取消勾选“Display Driver”组件，保留 CUDA 相关的所有组件。安装路径建议选默认的C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1，不要乱改路径，因为后续很多工具会基于默认路径去查找。

安装完成后，检查是否成功：

nvcc --version

如果输出里有 “Cuda compilation tools, release 11.1” 字样，说明 CUDA Toolkit 装好了。

2.4 环境变量配置——容易出问题的地方

装完 CUDA Toolkit 后，环境变量不配置会导致一个经典报错：nvcc -V找不到命令，或者 PyTorch 编译扩展时提示找不到cuda.h。

Linux 下，在~/.bashrc或~/.zshrc末尾追加：

export PATH=/usr/local/cuda-11.1/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH

然后执行source ~/.bashrc让配置生效。

Windows 下，在“系统属性 → 环境变量”中：

• 在Path变量里新增C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin
• 新增系统变量CUDA_HOME，值为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
• 如果使用 Visual Studio 编译 CUDA 代码，还需要在INCLUDE和LIB环境变量里加上 CUDA 的 include 和 lib 目录，不过这只是针对 C++ 开发，PyTorch 用户一般不用手动配置。

这里有个很多人会忽略的细节：如果你系统里之前装过 CUDA 10.2 或者其他版本，/usr/local/cuda这个软链接指向的未必是 11.1。用ls -l /usr/local/cuda看一眼，如果指向的不是 v11.1，可以手动改软链接：

sudo rm -rf /usr/local/cuda sudo ln -s /usr/local/cuda-11.1 /usr/local/cuda

不推荐这样直接删软链接的做法，更稳妥的是用update-alternatives管理多版本，但为了简单省事，删软链接重新指是大多数人的做法，前提是你只保留 CUDA 11.1 这一个版本。

2.5 cuDNN 的安装与验证

cuDNN 需要去 NVIDIA 官网注册账号才能下载，这一步经常卡住很多人。下载时选择“cuDNN for CUDA 11.x”对应的版本，推荐 8.0.5 或 8.1.x 都可以。

安装本质上就是解压复制文件，Linux 下执行：

tar -xzvf cudnn-11.3-linux-x64-v8.1.0.77.tgz sudo cp cuda/include/cudnn.h /usr/local/cuda-11.1/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.1/lib64/ sudo chmod a+r /usr/local/cuda-11.1/include/cudnn.h /usr/local/cuda-11.1/lib64/libcudnn*

Windows 下就是把解压出来的 bin、include、lib 目录里的文件分别复制到 CUDA 安装目录的对应文件夹中。注意 Windows 下执行复制文件操作时，建议用管理员权限的终端，否则可能提示权限不足。

验证 cuDNN 是否生效：

cat /usr/local/cuda-11.1/include/cudnn.h | grep CUDNN_MAJOR -A 2

如果输出里有版本号信息，说明安装成功。还有个小细节：如果你用的是 conda 安装 PyTorch，系统里的 cuDNN 版本是“锦上添花”而不是“雪中送炭”。因为 conda 版 PyTorch 自带 cudatoolkit 和 cudnn，你系统里装不装 cuDNN 它都能跑。但如果你后面要用 NVIDIA TensorRT、DeepStream 这类工具，系统 cuDNN 就必须存在。

3. PyTorch 1.8 安装实操：conda 与 pip 路线之争

3.1 conda 安装：省心但慢

进入正题。PyTorch 1.8 + CUDA 11.1 的安装有两条路线。先看 conda 路线：

conda create -n torch18 python=3.8 -y conda activate torch18 conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

这条命令会把 CUDA 11.1 的运行时（cudatoolkit）和配套的 cuDNN 一起装到你的 conda 环境里，不需要提前在系统里装 CUDA Toolkit。对于只想跑模型、不打算编译 CUDA 扩展的人来说，这是最省事的路线。

但 conda 路线最大的痛点是下载速度。PyTorch 的 conda 包比较大（500MB 左右），国内下载经常卡在进度条不动。解决方法是配置国内 conda 镜像（比如清华源）：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes

不过有一点得提醒：清华源同步 PyTorch 官方 conda 频道不是实时的，某些特定版本可能滞后。如果配了镜像还是下载失败，就临时把 channel 指回官方源：

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

3.2 pip 安装：可控但容易踩版本坑

pip 路线的安装命令：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

这条命令会从 PyTorch 官方轮子仓库下载带 CUDA 11.1 运行时编译的包。和 conda 的区别在于：pip 版 PyTorch 内置了 CUDA 运行时，但并没有把整个 CUDA Toolkit 都打包进去。如果你想在 PyTorch 里用torch.utils.cpp_extension编译自定义 CUDA 算子，还是得自己装完整的 CUDA Toolkit。

pip 路线的优点是版本控制更精细，通过 +cu111 后缀可以精确锁定你要的 CUDA 版本，不受 conda 频道同步延迟的影响。缺点是对系统依赖要求更高，比如 GCC 版本不能太高（建议 GCC 7 或 8），否则编译扩展时会出现各种奇怪的宏定义错误。

国内用户下载 pip 包太慢的问题，可以用国内 PyPI 镜像：

pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：-i指定的是 PyPI 镜像地址，-f指定的是 PyTorch 轮子仓库地址，两者不冲突。但有一个坑：某些镜像站可能没缓存 PyTorch 的 +cu111 后缀轮子，所以最稳妥的做法是先用-i下载依赖小包，torch 本体还是走官方源。

3.3 安装完的第一时间验证

不管用哪条路线，装完之后都要第一时间验证环境是否真的可用。创建一个 Python 脚本test_torch.py：

import torch print("PyTorch version:", torch.__version__) print("CUDA available:", torch.cuda.is_available()) if torch.cuda.is_available(): print("CUDA version:", torch.version.cuda) print("cuDNN version:", torch.backends.cudnn.version()) print("GPU count:", torch.cuda.device_count()) print("GPU name:", torch.cuda.get_device_name(0))

在命令行执行：

python test_torch.py

理想输出长这样：

PyTorch version: 1.8.0+cu111 CUDA available: True CUDA version: 11.1 cuDNN version: 8005 GPU count: 1 GPU name: NVIDIA GeForce RTX 3090

如果你的输出里CUDA available是 False，那就进入下一章，这是大部分人真正卡住的地方。

4. 高频报错与排查方法实战

4.1 torch.cuda.is_available() 返回 False

这是最常见的报错，没有之一。出现这个问题的原因有几类，我按出现频率从高到低排列：

第一类：PyTorch 装成了 CPU 版。输入pip list | grep torch，看一下 torch 的版本信息。如果显示的是torch==1.8.0（没有 +cu111 后缀），说明你装的是 CPU 版。卸载重装：

pip uninstall torch torchvision torchaudio -y pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

第二类：显卡驱动版本太低。用nvidia-smi检查驱动支持的 CUDA 版本，如果低于 11.1，PyTorch 无法通过驱动访问显卡。升级驱动到 455.23 以上版本（推荐 470 或 510 系列更稳）。

第三类：驱动没有正确安装。这种情况常见于笔记本双显卡用户，NVIDIA 驱动装上了，但系统默认走集显渲染。用nvidia-smi如果报错，说明驱动真的没装好，需要重新安装。

第四类：conda 环境混用。你在 conda 环境 A 里安装了 PyTorch，但激活的确是环境 B。或者你之前在环境 A 里用 pip 装过包，又用 conda 装了冲突的包。解决方案是新建一个干净环境重装。

4.2 安装时提示 .run 文件格式错误或校验失败

前文提到下载 CUDA Toolkit 时，很多人会遇到这个报错：

gzip: stdin: invalid compressed># 先看文件大小是否和官网一致 ls -lh cuda_11.1.0_455.23.05_linux.run # 用 md5sum 校验 md5sum cuda_11.1.0_455.23.05_linux.run

和官网给出的 MD5 值对比，不一致就重新下载。如果 wget 想断点续传，执行：

wget -c https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_455.23.05_linux.run

4.3 运行时报错：libcudart.so.11.0: cannot open shared object file

明明装好了 CUDA，跑 PyTorch 却报找不到 libcudart.so.11.0，这就是环境变量没配好的问题。检查：

1. /usr/local/cuda-11.1/lib64 目录下有没有 libcudart.so.11.0 这个文件（注意版本号，是 .so.11.0，不是 .so.10.2）。
2. LD_LIBRARY_PATH 是否包含这个目录。

有时候环境变量配了但没生效，需要重启终端或者重新source ~/.bashrc。如果用的是 Anaconda，还可以用 conda 包直接补全：

conda install cudatoolkit=11.1 -c conda-forge

这样会在 conda 环境里放一份 CUDA 运行时，PyTorch 在 conda 环境下会自动优先查找环境内的库。

4.4 安装 PyTorch 时提示 Cannot find suitable CUDA version

有些人在 pip 安装时看到 “Cannot find suitable CUDA version, but this package is not CUDA-enabled” 的警告，然后装出来的 PyTorch 就是 CPU 版。这种情况一般发生在你使用旧版 pip 时，pip 无法解析+cu111这种非标准版本号。

升级 pip 即可解决：

pip install --upgrade pip

然后重新执行安装命令。如果你的 pip 升级到了 21 以上版本，一般就不会再出现这个警告了。

4.5 多 CUDA 版本切换与冲突

很多人系统里不只有一个 CUDA 版本，比如后来为了新项目装了 CUDA 11.8，结果 PyTorch 1.8 的环境突然跑不了了。原因很简单：环境变量 PATH 和 LD_LIBRARY_PATH 指向了版本 A，但 PyTorch 需要版本 B。

解决方案是做好版本隔离。既然你已经用 conda 管理 Python 环境，那就不要让系统全局的 CUDA 干扰到 conda 环境。具体操作：

# 在激活 conda 环境后，强制指定 CUDA 相关路径为环境内版本 conda activate torch18 export PATH=/usr/local/cuda-11.1/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64:$LD_LIBRARY_PATH

更推荐的做法是：完全依赖 conda 环境内的 cudatoolkit，系统层面的 CUDA 版本只服务于系统级的编译需求，两者互不干扰：

conda install cudatoolkit=11.1 -c conda-forge

这样 PyTorch 在 conda 环境下会自动找到环境内的 cudatoolkit，不会去碰系统的 /usr/local/cuda。

4.6 编译自定义 CUDA 扩展时报错

如果你要在 PyTorch 1.8 里编译自定义算子（比如用 torch.utils.cpp_extension.load 加载 .cu 文件），报错往往千奇百怪，最常见的是：

error: identifier "__CUDA_ARCH__" is undefined

或者

/usr/include/c++/8/bits/c++17_warning.h:32:2: error: #error This file requires compiler and library support for the ISO C++ 2011

这些问题的根源在于 GCC 和 CUDA 版本的兼容性。CUDA 11.1 官方的 nvcc 最高支持 GCC 9.x，但 PyTorch 1.8 的编译环境对 GCC 版本很敏感。如果你的系统 GCC 是 10 或 11 版本，编译扩展时就会出问题。

解决方案：

1. 在编译命令前显式指定低版本 GCC（如果系统装了旧版 GCC）：

export CC=/usr/bin/gcc-8 export CXX=/usr/bin/g++-8

2. 或者暂时切换系统的 GCC 默认版本：

sudo update-alternatives --config gcc

注意编译完成后，运行时的环境不要变，否则可能出现编译时用 GCC 8、运行时被其他环境变量干扰的问题。

4.7 CUDA out of memory 与显存不足

这个报错虽然和版本配置关系不大，但用 PyTorch 1.8 的老项目尤其容易碰到：

RuntimeError: CUDA out of memory. Tried to allocate 512.00 MiB (GPU 0; 24.00 GiB total capacity; 22.50 GiB already allocated; ...)

排查思路：

1. 看有没有其他进程占用了 GPU：nvidia-smi查一下，如果有残留的 Python 进程，kill -9掉。
2. 在你的代码开头加上：

import torch torch.cuda.empty_cache()

3. 检查代码是不是在循环里不断创建新的计算图，导致显存碎片化。PyTorch 1.8 的显存管理机制还不像 2.x 那么智能，有时候即使torch.no_grad()没写好也会爆显存。

4. 如果你的输入数据比较大，尝试batch_size减半，或者开启混合精度训练（需要装 apex，不过 PyTorch 1.8 对 apex 的兼容性有时也会出问题，建议直接用 torch.cuda.amp 自带的混合精度模块）。

4.8 常见问题速查表

5. 多项目环境的版本隔离与切换经验

5.1 用 conda 环境做隔离是王道

我见过很多老手在自己的主力机器上同时维护 PyTorch 1.8、1.12、2.0 三套环境，互不干扰。核心思路就一句话：让 conda 帮你管理 CUDA 运行时，别让系统级 CUDA 来捣乱。

具体做法：

• 每次新建项目环境，都用 conda 显式指定 cudatoolkit 版本
• 不要用 pip 往 base 环境里装任何深度学习的包
• 在项目的 requirements.txt 里备注依赖的 CUDA 版本，方便后来接手的人快速复盘

5.2 不同 CUDA 版本的切换技巧

如果你的工作流里确实需要多个 CUDA 版本（比如同时维护两个老项目，一个用 11.1，一个用 10.2），推荐用 symlink 方式管理系统级 CUDA：

# 查看当前版本 ll /usr/local/cuda # 切换版本 sudo rm -rf /usr/local/cuda sudo ln -s /usr/local/cuda-11.1 /usr/local/cuda

虽然这不影响 conda 环境内的 cudatoolkit，但当你需要编译系统级工具时，这个软链接指向的版本就很重要了。记得每切换一次，就要同步更新 PATH 和 LD_LIBRARY_PATH。

Windows 下没有软链接这么方便，主流做法是：

• 先装多个版本的 CUDA Toolkit，装在不同目录（如 CUDA\v10.2、CUDA\v11.1）
• 在“环境变量”里把 CUDA_PATH 指到你当前要用的版本
• 用的时候手动改环境变量，或者用脚本批量切换

Windows 切换环境变量非常麻烦，所以我强烈建议 Windows 用户尽量把 CUDA 运行时交给 conda 管理，系统级只装一个最新版本即可。

5.3 项目迁移时的注意事项

如果是从其他机器（或服务器）迁移一个 PyTorch 1.8 项目过来，别急着装环境。先检查这几个东西：

1. 原项目的依赖清单：pip freeze > requirements.txt或者conda env export > environment.yml
2. 显卡型号是否变了：不同型号的 Compute Capability 会影响编译选项
3. CUDA 版本是否一致：如果原项目编译过自定义扩展，迁移到另一台机器上必须重新编译

尤其是第 3 点，很多人项目中包含 .so 或 .pyd 这类编译好的二进制文件，这些文件绑定了原机器的 CUDA 版本和 GPU 架构，直接复制到新机器上几乎必然报错类似：

RuntimeError: CUDA error: no kernel image is available for execution on the device

或者：

AssertionError: Torch not compiled with CUDA enabled

遇到这类报错，删除所有编译缓存（如 build 目录、pycache目录），重新编译扩展。

6. 我踩过最大的坑与最后的建议

6.1 在 Windows 上装 CUDA 11.1 时的 Visual Studio 联动问题

如果你在 Windows 上做 CUDA 开发，一定会碰到 Visual Studio 集成的问题。CUDA 11.1 需要 Visual Studio 2019 的 16.x 版本支持，但很多人的 VS 已经升级到了 2022。安装 CUDA 时如果检测不到匹配的 VS 版本，会提示：

CUDA Visual Studio Integration Unsupported: No supported version of Visual Studio was found

这个报错仅影响你用 VS IDE 做 CUDA C++ 调试，不影响 PyTorch 的运行。如果你不写自定义 CUDA 算子，完全可以忽略这个警告。如果要解决，办法有两个：

1. 安装 VS 2019 并保留，或者安装 VS 2022 的旧版 Build Tools（CUDA 11.1 不支持 VS 2022，必须用 2019）。
2. 让 CUDA 在安装时跳过 VS 集成检查：安装 exe 时选择“自定义”，取消勾选 “Visual Studio Integration” 组件。

6.2 不要盲目追求最新版本

这几年我发现一个规律：在深度学习环境配置这件事上，“最新”不等于“最好”，反而“刚好能用”才是最大幸福。PyTorch 1.8 虽然不是新版本，但它的稳定性和社区积累足够厚，遇到任何问题都能在 GitHub Issues 或 StackOverflow 上找到现成答案。反观一些刚发布的新版本，装完就遇到新 bug，连报错都搜不到几个帖子，那种无助感才是真的崩溃。

当然，如果你的项目是全新启动，没有历史包袱，我建议直接用 PyTorch 2.x + CUDA 11.8 或 12.x，性能更好，代码也不用改太多。但如果是复现一个老论文、跑一个教程里的代码，或者维护一个生产系统，那 CUDA 11.1 + PyTorch 1.8 这套组合依然能打，按照本文的步骤配置一遍，踩坑的概率会小很多。

6.3 最后分享一个实用小技巧

其实配置完环境之后，我非常建议你做一个环境自检脚本，把 torch、CUDA、cuDNN、GPU 信息、Python 版本、常用扩展是否可编译全部打印出来，存成env_check.py：

import platform import subprocess import sys import torch print("=" * 60) print("Python version:", sys.version.split()[0]) print("Operating system:", platform.platform()) print("PyTorch version:", torch.__version__) print("CUDA available:", torch.cuda.is_available()) if torch.cuda.is_available(): print("CUDA version:", torch.version.cuda) print("cuDNN version:", torch.backends.cudnn.version()) print("GPU count:", torch.cuda.device_count()) for i in range(torch.cuda.device_count()): print(f"GPU {i}: {torch.cuda.get_device_name(i)}") print(f" Capability: {torch.cuda.get_device_capability(i)}") print(f" Memory: {torch.cuda.get_device_properties(i).total_memory / 1024**3:.1f} GB") # 简单跑一个矩阵乘法验证计算是否正确 if torch.cuda.is_available(): a = torch.randn(1000, 1000, device="cuda") b = torch.randn(1000, 1000, device="cuda") c = torch.matmul(a, b) # 等待 CUDA 异步执行完成 torch.cuda.synchronize() print("Matrix multiplication test: PASSED") print("=" * 60) print("All checks completed.")

把这段脚本放在项目的根目录，以后每次换机器或者升级环境，跑一遍就知道一切是否正常。搞深度学习的人时间都很宝贵，与其每次装完环境后焦虑地盯着 torch.cuda.is_available() 的输出，不如把这个检查脚本固化下来，一劳永逸。

说实话，环境配置这件事看起来繁琐，但底层的逻辑其实很清晰：版本匹配、环境隔离、路径正确、显存够用。把这四件事都搞明白了，无论以后 PyTorch 出到 3.x 还是 4.x，你都能轻松应对。希望这篇文章能帮你少走些弯路，把更多时间花在模型和代码上，而不是跟环境死磕。