PyTorch安装避坑指南：驱动、CUDA、conda/pip与GPU验证

1. 显卡驱动、CUDA 和 PyTorch 之间的三层关系

装 PyTorch 这件事，绝大多数人第一次都会栽在同一个地方：看到官网那行conda install pytorch pytorch-cuda=12.1就复制粘贴，结果跑起来发现torch.cuda.is_available()返回False。问题往往不在 PyTorch 本身，而在于没搞清驱动、CUDA、框架这三者到底谁管谁。

打个比方，NVIDIA 驱动就像家里的插座电压，CUDA Toolkit 像一整套电工工具箱，而 pip/conda 装下来的 PyTorch 则是一台自带电池的电器。插座电压够高，电器就能直接用；那个工具箱摆在那儿，其实大多数时候根本用不上。

1.1 nvidia-smi 显示的那个 CUDA 版本是什么

执行下面这条命令，右上角会出现一行CUDA Version: 12.4：

nvidia-smi

很多人误以为这是"本机已安装 CUDA 12.4"，其实它表示的是当前驱动所能支持的最高 CUDA Runtime 版本。也就是说，你能跑 CUDA 12.4 及以下编译的任何程序，但驱动本身并不包含完整 CUDA Toolkit。想确认本机到底装没装 Toolkit，得看编译器：

nvcc --version

如果这条命令报command not found，说明你没装 Toolkit。这时候别急着去 NVIDIA 官网下一个 3GB 的安装包，因为通过 pip 或 conda 安装的 PyTorch wheel 里已经打包了运行所需的 CUDA Runtime 和 cuDNN 动态库，你只需要驱动版本够新就行。真正需要本地 Toolkit 的场景，是自己写 CUDA 算子、编译自定义扩展（比如某些检测库的 NMS 算子）或者用 nvcc 编译东西的时候。日常跑训练和推理，装 Toolkit 属于额外的负担。

1.2 驱动版本和可用的 CUDA 上限对照

驱动版本决定了你能装哪个 CUDA 版本的 PyTorch。下面这张表是 Linux 下的近似对应关系（Windows 的驱动号段略有差异），实际以官方 release notes 为准：

查驱动的办法，Linux 下可以直接读文件：

cat /proc/driver/nvidia/version

Windows 下最省事的就是看 NVIDIA 控制面板里的"系统信息"，或者直接跑nvidia-smi，第一行括号里就是驱动号。比如显示Driver Version: 546.33，那对应 CUDA 12.3，往前兼容 12.x 和 11.x 的 PyTorch 都没问题。

注意：驱动是向下兼容 CUDA Runtime 的。你完全可以在驱动力支持 12.4 的机器上装 CUDA 11.8 版本的 PyTorch，反向则不行。装机时选一个比驱动上限低一到两个小版本的 CUDA，往往比顶格选更省心。

1.3 没有 N 卡的时候该怎么选

不是所有场景都需要 GPU 版本。手里只有核显、用 Apple Silicon 的 Mac、或者干脆是办公笔记本，装 CPU 版本一样能把张量基础、自动求导、网络搭建这些内容跑通。CPU 版轮子小得多，几十兆，也不会有驱动和 CUDA 的各种纠葛。

Mac 用户还有一条路：M 系列芯片可以使用 MPS 后端。安装方式就是普通的 pip 安装，然后代码里把设备指定为mps：

import torch device = "mps" if torch.backends.mps.is_available() else "cpu" x = torch.randn(3, 3, device=device)

AMD 显卡在 Linux 下可以走 ROCm 版本，但支持的卡型有限，消费级里主要是部分 6000、7000 系列，Windows 基本没有官方支持。选这条路之前，先明确知道自己到底要干什么。如果是跟着教程学基础，CPU 版完全够；如果是要跑实际的训练任务，那必须有一张算力在 6.0 以上、显存别太小的 N 卡。算力太老的卡（比如 Maxwell 架构）在新版 PyTorch 里已经被逐步移出支持列表了，装上去会报no kernel image is available for execution on the device。

2. 环境准备阶段最容易做错的几件事

装 PyTorch 之前，先把环境基础打牢，比后面反复重装要划算得多。这一节聊三件事：用什么管理环境、Python 版本怎么定、下载源怎么配。

2.1 Miniconda 和 Anaconda 到底选哪个

Anaconda 装完动辄占三四个 G，预装了几百个包，其中九成你一辈子都用不到。Miniconda 只带 conda 和 Python，装完两三百兆，后面缺什么装什么。我个人的选择一直是 Miniconda，理由很直接：体积小、启动快、环境干净，不会出现"我明明没装过这个包，它怎么在这儿"的情况。

Windows 下装 Miniconda 有个细节值得注意：安装向导里会问是否勾选"Add to PATH"和"Register as system Python"。建议两个都不要勾，装完后用开始菜单里的 Anaconda Prompt 或者自己配的终端来操作。原因是避免和系统里已有的 Python 打架，也避免某些依赖系统 Python 的软件出问题。Linux 下就简单了，下载 sh 脚本执行，一路回车，最后conda init一下就行。

如果实在不想装 conda，Python 自带的venv也完全能用：

python -m venv .venv source .venv/bin/activate # Linux / macOS .venv\Scripts\activate # Windows

venv的缺点是只能管 Python 包，装非 Python 依赖（比如某些版本的编译工具链）就不如 conda 方便。但对于只装 PyTorch 这件事来说，两者都能胜任。

2.2 环境命名和 Python 版本的选择

创建环境时把用途和关键版本写进名字里，是能省下大量后期困惑的习惯：

conda create -n torch24-py310 python=3.10 -y conda activate torch24-py310

这样看一眼环境名就知道里面是 PyTorch 2.4 配 Python 3.10。以后机器上同时有三四个环境时，不至于每次都conda env list再一个个猜。

Python 版本方面，PyTorch 2.x 系列目前支持 3.9 到 3.12。我一般推荐 3.10 或 3.11：够新，第三方库支持齐全，又不像 3.13 那样有些包还没跟上。有一个容易被忽略的点——创建环境时就要把 Python 版本定下来，不要装好 PyTorch 之后再改 Python 版本，那基本等于把环境搞废，不如删了重建：

conda deactivate conda env remove -n torch24-py310

另外，不要把包装进 base 环境。base 里装了一堆东西以后，conda 的依赖解析会变得极慢，而且一旦某个包装崩了，整个 conda 都可能用不了。保持 base 干净，所有工作都放在独立环境里。

2.3 下载源和常见的网络报错

官方源在国内下载速度往往很慢，几百兆的包能拖上半小时。配一下国内镜像，速度能提升一个量级。pip 的配置方式：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set global.trusted-host pypi.tuna.tsinghua.edu.cn

conda 则在用户目录下建.condarc：

channels: - defaults default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r show_channel_urls: true

这里有个坑需要提前说清楚：配置了 conda 镜像之后，安装时如果还带-c pytorch -c nvidia，conda 会优先去官方 pytorch 频道找包，速度又慢回去了。这种情况要么去掉-c参数（镜像里同步了 pytorch 频道的话）、要么明确用--override-channels指定只用镜像。我踩过几次网络超时之后，现在装 GPU 版基本都走 pip 加官方 wheel 源，见下一节。

还有一类报错是 SSL 相关的，比如SSL: CERTIFICATE_VERIFY_FAILED，通常出现在公司内网或者装了抓包工具的环境里。临时绕过的办法是加--trusted-host，长期方案是把对应的根证书装进系统的证书库，或者干脆换成不走 HTTPS 的镜像地址。

3. GPU 版本的完整安装与验证流程

这一节是核心操作。从版本匹配开始，到装完之后的验证结束，中间每一步都会说明为什么这么做。

3.1 先确定 torch、Python、CUDA 的版本组合

PyTorch 官网的选择器会生成一条命令，但你要理解这条命令里的版本是怎么定的。大致对应关系如下：

选定策略是：先看驱动上限，再从表里挑一个不高于上限的 CUDA 版本，最后确定 PyTorch 版本。比如驱动是 535，对应 CUDA 12.2，那就选 CUDA 12.1 的 PyTorch，稳稳当当。

还有一个常被忽略的点：torchvision 和 torchaudio 的版本必须和 torch 对应，不能随便挑。比如 torch 2.4.0 要配 torchvision 0.19.0，差一个次版本就可能报undefined symbol之类的错误。最省事的做法是安装时三个一起写，让解析器自己去匹配。

3.2 conda 路线和 pip 路线的实际差异

conda 路线长这样：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

它的特点是会额外安装cudatoolkit、cudnn这些包到环境里，环境体积大，但依赖关系由 conda 统一管理，包之间的二进制兼容性有保障。缺点是解析慢，尤其是频道配多了以后，Solving environment能转好几分钟。

pip 路线：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

pip 装的是官方预编译 wheel，里面自带了 CUDA Runtime 和 cuDNN 的 so 文件，所以环境更"自包含"。速度通常比 conda 快不少，而且不需要本地有 Toolkit。需要注意的是--index-url会替换掉默认的 PyPI 源，如果你之前配了国内镜像，这条命令会让它失效。想加速的话，可以用镜像站提供的 pytorch wheel 镜像地址，格式类似https://mirrors.aliyun.com/pytorch-wheels/cu121，把--index-url换成它。

选哪条？我的习惯是：能用 pip 就用 pip。除非项目本身依赖 conda 生态里的某个包（比如某些科学计算库只有 conda 版本），否则 pip 装 PyTorch 更轻更快，出问题也更好定位。

3.3 装完必须做的四步验证

装完不算完，一定要验证。四行代码，缺一不可：

import torch print("torch 版本:", torch.__version__) print("编译时 CUDA 版本:", torch.version.cuda) print("CUDA 是否可用:", torch.cuda.is_available()) print("设备名:", torch.cuda.get_device_name(0) if torch.cuda.is_available() else "无 GPU")

然后跑一次真实的矩阵乘法，确认 kernel 能正常加载：

import time import torch a = torch.randn(4096, 4096, device="cuda") b = torch.randn(4096, 4096, device="cuda") # 预热，第一次执行会触发 CUDA 上下文初始化和 kernel 加载，耗时明显偏长 c = a @ b torch.cuda.synchronize() start = time.time() c = a @ b torch.cuda.synchronize() print(f"4096 方阵乘法耗时: {time.time() - start:.3f} 秒")

第一次运算慢是正常的，CUDA 上下文初始化、kernel 加载、显存分配都要时间，做基准测试前必须预热。如果这段代码能稳定跑完，说明环境真的通了。

3.4is_available()返回 False 的排查链路

这是遇到最多的问题。按下面的顺序查，基本能覆盖九成情况。

还有一个隐蔽的情况：装完之后pip list里同时存在torch和torch-cpu之类的包，两个版本的动态库互相干扰。这种多半是之前装过 CPU 版没卸干净，pip uninstall torch torchvision torchaudio逐个清掉再重装。

4. 编辑器怎么正确挂到 conda 环境上

环境装好了，代码编辑器却用不上这个环境，是另一类高频问题。这一节分别说 PyCharm、VSCode 和远程开发三种场景。

4.1 PyCharm 绑定 conda 解释器的具体路径

打开Settings → Project → Python Interpreter → Add Interpreter → Conda Environment。选"使用已存在的环境"时，需要指定 conda 可执行文件的位置，以及环境路径。

Windows 上 conda 可执行文件通常在：

C:\Users\<用户名>\miniconda3\Scripts\conda.exe

环境路径则是C:\Users\<用户名>\miniconda3\envs\torch24-py310。Linux 下是~/miniconda3/bin/conda和~/miniconda3/envs/torch24-py310/bin/python。

有个坑要特别注意：用 PyCharm 的"新建环境"功能时，它会用conda create -p <项目路径>的方式创建，这种带路径创建的环境不会出现在conda env list里，只挂在这个项目上。项目一删，环境就成了孤儿包占着磁盘。我现在的做法是一律先在终端里conda create -n建好，再让 PyCharm 去选已有环境。

另外，如果 PyCharm 里选不中 conda 环境、或者报权限错误，多半是终端激活策略的问题。可以在 PyCharm 设置里把终端 Shell 改成cmd.exe而不是 PowerShell，PowerShell 的执行策略有时候会挡住 conda 的激活脚本。

4.2 VSCode 里选解释器和注册 Jupyter 内核

VSCode 侧的流程简单：Ctrl+Shift+P调出命令面板，输入Python: Select Interpreter，在列表里找到带环境名的那个路径。如果找不到，说明 VSCode 没识别到 conda，可以在设置里手动加：

{ "python.condaPath": "C:\\Users\\<用户名>\\miniconda3\\Scripts\\conda.exe" }

想在 VSCode 的 Jupyter 里用这个环境，光选解释器还不够，得把环境注册成内核：

conda activate torch24-py310 pip install ipykernel python -m ipykernel install --user --name torch24-py310 --display-name "Python (torch24-py310)"

--display-name是你在 Notebook 右上角内核列表里看到的名字，建议写清楚一点，别用默认的python3，不然环境一多就分不清谁是谁。反过来，想删掉某个注册过的内核：

jupyter kernelspec list jupyter kernelspec remove torch24-py310

还有一个细节：VSCode 的 Python 扩展在 Windows 上偶尔找不到 conda 环境，尤其是从普通 cmd 启动 VSCode 的时候。解决办法是先conda activate目标环境，再从同一个终端里执行code .启动 VSCode，这样它会继承当前的环境变量。

4.3 服务器和容器里的开发习惯

在远程服务器上装环境，有两条经验值得记住。

第一条：先起 tmux 再干活。SSH 断线导致 pip 装到一半中断，环境就处于半残状态，比装不上更麻烦。tmux new -s setup之后再执行安装，断线重连tmux attach -t setup接着看。

第二条：服务器上不要动 base 环境。多人共用的机器上，base 环境往往是运维配的，动它可能影响到别人的任务，也不要往里面pip install --user，那会污染所有人。

容器场景下，GPU 直通要注意启动参数：

docker run --gpus all -it --rm pytorch/pytorch:2.4.0-cuda12.1-cudnn9-runtime bash

宿主机的驱动版本要满足容器内 CUDA 的要求，同时宿主机需要装好容器运行时对 GPU 的支持组件。官方镜像已经装好了 PyTorch，适合快速验证；如果要自己装，选-devel后缀的镜像，里面有编译工具链。

5. 装完之后绕不开的维护问题

环境搭好了不是终点。用一段时间之后，磁盘爆了、依赖冲突了、换机器要重装，这些都会遇到。提前知道怎么处理，能省下很多重来的时间。

5.1 pip 和 conda 混用造成的依赖错乱

在一个环境里既用 conda 装又用 pip 装，是混乱的主要来源。原因在于：conda 完全看不到 pip 装了哪些包，它维护的是一份自己的依赖图。当 conda 想升级某个包时，它不知道自己动的这个包被 pip 装的另一堆东西依赖着，结果就是一升级就崩。

我的原则是：一个环境里尽量只用一种包管理器，且顺序固定为先 conda、后 pip。也就是说，能用 conda 解决的包先用 conda 装完，剩下 conda 里没有的、或者版本太旧的，再用 pip 补。装完之后如果想记录环境状态，两个都导出：

conda env export --no-builds > env.yml pip freeze > requirements-pip.txt

--no-builds是关键参数。不加的话，导出的 yml 里会带上每个包的 build 字符串（比如py310h6a678d5_0），这些字符串跟平台强绑定，换一台机器基本装不上。

5.2 磁盘占用和缓存清理

PyTorch 相关的东西占磁盘特别快，主要有三块：pip 缓存、conda 包缓存、模型缓存目录。

pip 缓存的清理：

pip cache dir # 查看位置 pip cache purge # 清空

conda 的：

conda clean -a -y

这个命令会清掉未使用的包和索引缓存，动辄能回收几个 G。不过要清楚一点，清掉之后下次装同样的包还得重新下载。

模型和数据的缓存目录默认都在用户主目录下，Windows 上就是 C 盘，跑几个预训练模型下载，几十 G 就没了。可以通过环境变量挪到大盘上：

export HF_HOME=/data/cache/huggingface export TORCH_HOME=/data/cache/torch export TORCH_HOME=/data/cache/torch

Windows 上在系统环境变量里加，Linux 上写进.bashrc。这个改动越早做越好，等 C 盘红了再迁，得先搞清楚哪些文件能删哪些不能。

5.3 环境复现和换机迁移

把自己调好的环境搬到另一台机器上，直接复制 env.yml 往往会失败，因为里面可能包含 pip 装的包、平台专属的依赖。我一般用两步走：先看 conda 部分：

conda env create -f env.yml

如果报冲突，就退而求其次，只新建一个干净的 Python 环境，然后按 requirements 装：

conda create -n torch24-py310 python=3.10 -y conda activate torch24-py310 pip install -r requirements-pip.txt

还有一个更彻底的办法：用 Dockerfile 把整个环境固化下来。这对需要长期维护、多人协作的项目特别值得，一次写好，处处一致。

FROM nvidia/cuda:12.1.1-cudnn8-runtime-ubuntu22.04 RUN apt-get update && apt-get install -y python3.10 python3-pip && rm -rf /var/lib/apt/lists/* RUN pip3 install --no-cache-dir torch torchvision torchaudio \ --index-url https://download.pytorch.org/whl/cu121

写 Dockerfile 的时候，把pip install放在文件靠后的位置，这样改代码时不用重装依赖，构建缓存能复用，迭代速度快很多。

我个人在这些年的反复折腾里，最深的体会其实就一句：装之前先花五分钟确认驱动版本和要用的 CUDA 版本，比装完之后花两小时排查要划算得多。遇到过太多次"先装了再说"，最后都是删环境重来。另外，每次装完顺手把nvidia-smi和那四行验证的输出截图存一份，以后出问题时有个对照，能快速判断是环境变了还是代码变了。