三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

PyTorch GPU环境配置全攻略：从驱动到CUDA一站式避坑指南

发布时间：2026/8/17 7:37:01 三亩地 编程学习日记
PyTorch GPU环境配置全攻略：从驱动到CUDA一站式避坑指南

1. 从零到一：为什么你的GPU版PyTorch总是装不对？

如果你刚拿到一块新显卡，或者准备开始你的深度学习项目，第一件让你头疼的事，大概率就是配置GPU环境。网上教程千千万，但“Cuda 和 GPU版torch安装最全攻略”这个标题背后，其实藏着几个新手和老手都容易踩的坑。你可能已经试过照着某个教程一步步来，结果在最后一步torch.cuda.is_available()返回了令人沮丧的False。这不仅仅是安装的问题，更是一个关于版本匹配、环境隔离和系统状态检查的综合工程。

我自己在给实验室十几台不同配置的机器部署环境时，几乎把能踩的坑都踩了一遍。从驱动版本不匹配，到Conda环境里Python、CUDA、PyTorch的“三角关系”理不清，再到Windows和Linux下截然不同的报错信息。今天这篇内容，我就想把这些散落在各个角落的经验，结合最新的版本情况，整理成一套可复现、可排查的完整流程。我们的目标不仅仅是“安装上”，而是“理解为什么这么装”，以及当它不工作时，你知道该从哪里下手解决。

这篇文章会覆盖Windows和Linux（主要是Ubuntu）两大平台，因为两者的安装逻辑和坑点完全不同。我们会从最底层的显卡驱动开始，一步步向上构建：驱动 -> CUDA Toolkit -> cuDNN -> PyTorch。最后，我会用一个实际的代码例子，带你在GPU上跑通第一个程序，并分享几个诊断GPU状态的实用技巧。无论你是用个人电脑的RTX显卡，还是用云服务器的Tesla/V100，这套思路都是通用的。

2. 环境基石：显卡驱动、CUDA与cuDNN的“铁三角”关系

在安装PyTorch之前，我们必须先理解支撑它的底层“铁三角”：显卡驱动、CUDA Toolkit和cuDNN。很多安装失败，根源就在于这三者的版本不兼容。

2.1 显卡驱动：硬件与操作系统的翻译官

显卡驱动是操作系统（Windows/Linux）和你的物理GPU（如NVIDIA GeForce RTX 4090, Tesla V100）通信的桥梁。没有正确的驱动，系统甚至无法正确识别你的显卡型号，更别提使用它的计算能力了。

如何检查与安装驱动？

  • Windows（通过NVIDIA控制面板）：

    1. 在桌面右键，选择“NVIDIA 控制面板”（如果没有，说明驱动未安装或安装不正确）。
    2. 点击左下角“系统信息”。
    3. 在“显示”标签页，查看“驱动程序版本”。例如：551.86。

  • Linux（通过命令行）：

    # 查看GPU型号和驱动版本 nvidia-smi

    这条命令会输出一个表格，其中Driver Version就是你的驱动版本号。

驱动安装要点：

  • Windows：建议直接从 NVIDIA官网 下载GeForce Game Ready Driver（游戏卡）或NVIDIA RTX Enterprise Driver（专业卡/服务器卡），运行exe安装包即可。安装时选择“自定义安装”并勾选“执行清洁安装”，可以避免旧驱动残留导致的问题。
  • Linux (Ubuntu)：有几种方法，推荐使用官方仓库或使用apt安装nvidia-driver系列包。对于Ubuntu 22.04 LTS，可以这样操作：
    # 首先添加官方显卡驱动PPA仓库 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update # 查找推荐的驱动版本 ubuntu-drivers devices # 安装推荐版本（例如推荐是nvidia-driver-550） sudo apt install nvidia-driver-550 sudo reboot # 安装后必须重启

注意：驱动版本需要大于或等于你将要安装的CUDA Toolkit所要求的最低驱动版本。例如，CUDA 12.1要求驱动版本至少为530.30.02。nvidia-smi命令顶端显示的CUDA Version，指的是该驱动最高支持的CUDA运行时版本，不是你系统已安装的CUDA Toolkit版本，这是一个常见的误解点。

2.2 CUDA Toolkit：GPU通用计算的“标准库”

CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算平台和编程模型。我们安装的CUDA Toolkit，可以理解为一套开发工具包，里面包含了编译器（nvcc）、数学库、调试工具等。PyTorch在运行GPU计算时，需要调用CUDA Toolkit提供的运行时库（如cudart）。

关键认知：你的系统里可以存在多个不同版本的CUDA Toolkit（例如/usr/local/cuda-11.8和/usr/local/cuda-12.1），它们可以共存。通过环境变量PATH和LD_LIBRARY_PATH（Linux）或PATH（Windows）来指定当前使用哪一个。

如何安装CUDA Toolkit？

  • 不推荐直接安装完整庞大的CUDA Toolkit（尤其是Windows用户），除非你需要使用nvcc编译自己的CUDA C++代码。
  • 推荐通过PyTorch官方渠道（Conda或pip）安装PyTorch时，它会自动为你安装一个精简版的、与之匹配的CUDA运行时库。这足以满足99%的PyTorch使用场景，省去了手动管理CUDA版本的麻烦。这是目前最主流、最不容易出错的方式。

2.3 cuDNN：为深度学习定制的“加速库”

cuDNN（CUDA Deep Neural Network library）是NVIDIA专门为深度学习操作优化的GPU加速库。它提供了高度优化的前向传播和反向传播的实现，比如卷积、池化、归一化等层。PyTorch、TensorFlow等框架在底层都会调用cuDNN来获得极致的性能。

安装要点：

  • cuDNN的版本必须与你的CUDA Toolkit版本严格匹配。
  • 和CUDA Toolkit一样，当你通过Conda安装PyTorch时，Conda通常会帮你自动解决cuDNN的依赖，一并安装好匹配的版本。这也是为什么强烈推荐使用Conda环境来管理深度学习环境的原因之一。
  • 只有在极少数需要自定义编译或特定版本的情况下，才需要手动从NVIDIA开发者网站下载cuDNN库，并复制到CUDA Toolkit的目录中。

总结一下三者的关系：驱动是基础，它决定了你能用的最高CUDA版本。你通过Conda安装PyTorch时，PyTorch的版本决定了它需要哪个版本的CUDA运行时和cuDNN。Conda这个包管理器，会帮你自动下载并安装匹配的CUDA和cuDNN库（以conda包的形式），并保证它们与你的PyTorch版本兼容。因此，我们的核心任务从“手动配齐铁三角”变成了“为PyTorch选择一个正确的Conda安装命令”。

3. 核心实战：使用Conda一站式配置PyTorch GPU环境

Conda（尤其是Miniconda或Anaconda）是Python数据科学和深度学习领域的“环境管理神器”。它可以为每个项目创建独立的虚拟环境，环境之间库的版本互不干扰。对于PyTorch安装来说，Conda的最大优势在于它能从特定的渠道（如pytorch，nvidia）获取预编译好的、版本完全匹配的PyTorch、CUDA和cuDNN包。

3.1 第一步：安装Miniconda

如果你还没有Conda，先去 Miniconda官网 下载对应你操作系统和系统架构（通常是x86_64）的安装包。Miniconda只包含Conda和Python，比完整的Anaconda更轻量。

  • Windows：下载.exe安装包，安装时注意勾选“Add Miniconda3 to my PATH environment variable”，这样可以在任意终端使用conda命令。
  • Linux/macOS：下载.sh脚本，在终端运行bash Miniconda3-latest-Linux-x86_64.sh并按提示安装。

安装完成后，打开一个新的终端（Windows用Anaconda Prompt或系统终端，Linux/macOS用系统终端），运行conda --version验证安装。

3.2 第二步：创建并激活一个独立的虚拟环境

永远不要在base（基础）环境中直接安装项目依赖。为你的PyTorch项目创建一个专属环境是最佳实践。

# 创建一个名为 `pytorch_gpu` 的新环境，并指定Python版本（这里用3.10，一个兼容性较好的版本） conda create -n pytorch_gpu python=3.10 # 激活这个环境 # Windows: conda activate pytorch_gpu # Linux/macOS: # 如果你用的是bash/zsh，命令同上。如果首次激活失败，可能需要先运行 `conda init bash` 然后重启终端。

激活后，你的命令行提示符前面应该会显示环境名(pytorch_gpu)。

3.3 第三步：前往PyTorch官网获取安装命令

这是最关键的一步，直接决定了安装的成败。不要随便复制过时的博客命令！

  1. 打开浏览器，访问 PyTorch官方网站 。
  2. 找到首页的 “Get Started” 部分，你会看到一个配置选择器。
  3. 根据你的情况选择：
    • PyTorch Build：选择Stable (稳定版)。
    • Your OS：选择你的操作系统（Windows/Linux/Mac）。
    • Package：强烈推荐选择Conda。它会从pytorch频道安装。
    • Language：选择Python。
    • Compute Platform：这里选择与你GPU驱动兼容的CUDA版本。如果不确定，可以选CUDA 11.8或CUDA 12.1（这两个是当前长期支持且兼容性广的版本）。如果你用的是较新的RTX 40系显卡，驱动较新，可以尝试CUDA 12.1。
  4. 选择器下方会自动生成一条安装命令。例如，对于Linux系统、Conda包管理器、CUDA 12.1，命令可能长这样：
    conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
    命令解析：
    • pytorch torchvision torchaudio：这是核心的PyTorch包及其常用的视觉、音频扩展库。
    • pytorch-cuda=12.1：这是核心中的核心。它指定了要安装支持CUDA 12.1的PyTorch版本，并且Conda会自动解决并安装对应的CUDA和cuDNN运行时库（如cudatoolkit=12.1,cudnn）。
    • -c pytorch -c nvidia：指定从pytorch和nvidia这两个Conda频道查找包。nvidia频道提供了官方维护的CUDA相关库。

3.4 第四步：执行安装命令并验证

在你的终端（确保已激活pytorch_gpu环境）中，粘贴并运行上一步生成的命令。Conda会解析依赖关系，列出将要安装、更新或降级的包列表，询问你是否继续，输入y回车。

安装过程可能需要一段时间，取决于你的网络速度。安装完成后，我们进行最关键的两步验证：

  1. 验证PyTorch能否找到CUDA： 在激活的Conda环境中，启动Python解释器。

    python >>> import torch >>> print(torch.__version__) # 打印PyTorch版本 >>> print(torch.cuda.is_available()) # 核心验证：输出应为 True

    如果torch.cuda.is_available()返回True，那么恭喜你，PyTorch已经成功识别到了可用的CUDA环境！

  2. 验证GPU设备信息：

    >>> print(torch.cuda.device_count()) # 显示可用的GPU数量 >>> print(torch.cuda.get_device_name(0)) # 获取第一块GPU的名称 >>> print(torch.cuda.current_device()) # 当前正在使用的GPU索引

    这些命令能让你确认PyTorch具体识别到了哪块显卡。

为什么推荐Conda？因为它把最复杂的版本匹配问题（PyTorch vs. CUDA vs. cuDNN vs. Python）交给了包管理器去解决。只要你从PyTorch官网生成命令，并且驱动版本满足要求，成功率极高。相比之下，使用pip install torch ...虽然也可以，但需要你自己确保系统已安装正确版本的CUDA Toolkit，对新手更不友好。

4. 疑难杂症排查手册：当is_available()返回False时

即使按照上述步骤，有时torch.cuda.is_available()依然会返回False。别慌，这是深度学习工程师的“必修课”。请按照以下排查链路，像侦探一样一步步缩小问题范围。

4.1 检查链第一步：驱动与GPU状态

首先，在终端（Windows用CMD/PowerShell，Linux用bash）中，退出Python环境，直接运行：

nvidia-smi
  • 如果命令找不到：说明NVIDIA驱动没有正确安装，或者其安装路径没有添加到系统的PATH环境变量中。请返回第2.1节重新安装驱动。
  • 如果命令有输出，但显示“No running processes found”：这是正常状态，说明驱动已安装，GPU空闲。
  • 观察右上角的CUDA Version：例如显示“CUDA Version: 12.4”。这代表当前驱动支持的最高CUDA运行时版本是12.4。你通过Conda安装的cudatoolkit版本（如12.1）必须小于等于这个数字。

4.2 检查链第二步：环境与包版本冲突

确保你是在正确的Conda环境中进行测试。有时我们以为自己激活了环境A，但实际上还在base环境。

# 在终端中确认当前环境 conda info --envs # 当前激活的环境前面会有一个星号 `*` conda activate pytorch_gpu # 再次确认激活

然后，在激活的环境中，检查已安装的关键包版本：

conda list | grep -E "(pytorch|cudatoolkit|cudnn)"

你会看到类似这样的输出：

cudatoolkit 12.1.0 hd3c3e7c_12 nvidia cudnn 8.9.2.26 cuda12_0 nvidia pytorch 2.2.2 py3.10_cuda12.1_cudnn8.9.2_0 pytorch

这证明了Conda确实为你安装了匹配的CUDA 12.1工具包和cuDNN 8.9.2。如果这里没有cudatoolkit或cudnn，那说明安装可能有问题，或者你用了pip安装的PyTorch（pip不会自动安装这些）。

4.3 检查链第三步：Python解释器与动态链接库（Linux重点）

这个问题在Linux上更常见。有时，即使Conda环境里包都对了，Python运行时却找不到CUDA的动态库（.so文件）。

在Python中运行以下诊断代码：

import torch print(torch.__file__) # 查看torch包的位置，确认来自当前环境 # 尝试直接加载CUDA运行时库，这是一个底层检查 import ctypes try: ctypes.CDLL('libcudart.so') # Linux # Windows 上是 ctypes.CDLL('cudart64_12.dll') 之类的 print("CUDA runtime library loaded successfully.") except OSError as e: print(f"Failed to load CUDA runtime: {e}")

如果加载失败，可能是环境变量问题。在Linux的Conda环境中，激活环境时Conda会自动设置LD_LIBRARY_PATH。你可以手动检查：

echo $LD_LIBRARY_PATH

这个路径应该包含你Conda环境下的lib目录，例如/home/username/miniconda3/envs/pytorch_gpu/lib。如果没有，可以尝试在激活环境后手动设置，但这通常意味着Conda环境激活脚本有问题。

4.4 检查链第四步：进程占用与显卡模式

  • GPU被其他进程占用：某些笔记本的Optimus技术（双显卡，NVIDIA独显+Intel核显）或者某些后台程序（如桌面录制、游戏加加）可能独占了GPU。尝试关闭所有可能使用GPU的程序。
  • Windows上的“GPU加速”设置：在Windows设置 -> 系统 -> 显示 -> 图形设置中，确保“硬件加速GPU计划”是打开的（对于现代Windows版本）。同时，可以为你的Python解释器（如python.exe）或IDE（如pycharm64.exe）设置“高性能”模式，强制其使用NVIDIA独显。
  • 服务器上的GPU计算模式：在Linux服务器上，管理员可能使用nvidia-smi的-c参数设置了GPU的计算模式。运行nvidia-smi -q查看“Compute Mode”是否为“Default”。如果是“Exclusive Process”模式，同一时间只能有一个进程使用GPU，可能导致冲突。

4.5 一个经典错误案例：CUDA error: no kernel image is available for execution

如果你在较新的GPU（如安培架构的RTX 30/40系列，或者Hopper架构的H100）上运行较旧的PyTorch/CUDA版本，可能会遇到这个错误。这是因为旧版本的PyTorch编译时使用的CUDA架构代码（如sm_75for Turing）不支持新GPU的架构（如sm_86for Ampere）。

解决方案：安装支持你GPU架构的、更新版本的PyTorch和CUDA。例如，对于RTX 4090（sm_89），你需要CUDA 11.8及以上、且PyTorch版本较新的组合。最省心的办法就是去PyTorch官网，选择最新的稳定版和对应的CUDA版本（如12.1）进行安装。

5. 在GPU上运行你的第一个Torch代码：从张量操作到模型训练

环境配置成功，验证通过，接下来就是享受GPU加速快感的时候了。我们通过几个循序渐进的例子，来熟悉如何将计算放到GPU上。

5.1 基础：张量（Tensor）的GPU迁移

PyTorch中所有计算的核心数据结构是张量。默认情况下，张量创建在CPU上。

import torch import time # 1. 检查设备 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') print(f'Using device: {device}') # 2. 创建CPU张量 cpu_tensor = torch.randn(10000, 10000) # 创建一个大的随机矩阵 print(f'CPU tensor device: {cpu_tensor.device}') # 输出: cpu # 3. 将张量移动到GPU # 方法一：使用 .to(device) gpu_tensor = cpu_tensor.to(device) print(f'GPU tensor device: {gpu_tensor.device}') # 输出: cuda:0 # 方法二：直接在GPU上创建张量 gpu_tensor_direct = torch.randn(10000, 10000, device=device) print(f'Direct GPU tensor device: {gpu_tensor_direct.device}') # 4. 体验速度差异 def compute_on_cpu(): start = time.time() a = torch.randn(10000, 10000) b = torch.randn(10000, 10000) c = torch.mm(a, b) # 矩阵乘法 return time.time() - start def compute_on_gpu(): start = time.time() a = torch.randn(10000, 10000, device=device) b = torch.randn(10000, 10000, device=device) c = torch.mm(a, b) torch.cuda.synchronize() # 等待GPU计算完成，确保计时准确 return time.time() - start cpu_time = compute_on_cpu() gpu_time = compute_on_gpu() print(f'CPU time: {cpu_time:.2f}s, GPU time: {gpu_time:.2f}s, Speedup: {cpu_time/gpu_time:.1f}x')

这个简单的矩阵乘法，在GPU上通常能有几十到上百倍的加速。关键在于，参与运算的所有张量必须在同一个设备上。你不能把CPU张量和GPU张量直接相加。

5.2 进阶：将整个模型放到GPU上

对于神经网络模型，我们同样需要将其参数和缓冲区移动到GPU。

import torch.nn as nn import torch.optim as optim # 定义一个简单的神经网络 class SimpleNN(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(784, 512) self.relu = nn.ReLU() self.fc2 = nn.Linear(512, 10) def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x model = SimpleNN() print(next(model.parameters()).device) # 初始在 cpu 上 # 将整个模型移动到GPU model.to(device) print(next(model.parameters()).device) # 现在在 cuda:0 上 # 模拟一些数据 dummy_input = torch.randn(64, 784, device=device) # 注意：输入数据也要在GPU上！ dummy_target = torch.randint(0, 10, (64,), device=device) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01) # 前向传播、计算损失、反向传播、优化步骤 optimizer.zero_grad() output = model(dummy_input) loss = criterion(output, dummy_target) loss.backward() optimizer.step() print(f'Loss: {loss.item()}') print(f'GPU memory allocated: {torch.cuda.memory_allocated(0) / 1024**2:.2f} MB')

关键点：model.to(device)是一个递归操作，它会将模型的所有子模块、参数、缓冲区都移动到指定的设备。优化器是在模型参数移动之后创建的，所以它记录的参数状态也在GPU上。

5.3 监控与优化：GPU内存管理与性能分析

GPU显存是宝贵资源，不当使用会导致CUDA out of memory错误。

  • 监控显存：

    torch.cuda.empty_cache() # 清空PyTorch的CUDA缓存（非强制，由CUDA驱动管理） print(torch.cuda.memory_summary(device=device)) # 打印详细的显存使用摘要 # 或者使用更底层的 print(f'Allocated: {torch.cuda.memory_allocated(0)/1e9:.2f} GB') print(f'Cached: {torch.cuda.memory_reserved(0)/1e9:.2f} GB')

  • 使用torch.cuda.amp进行混合精度训练：这是大幅减少显存占用并提升训练速度的利器。它通过在部分计算中使用16位浮点数（FP16）来实现。

    from torch.cuda.amp import autocast, GradScaler scaler = GradScaler() # 梯度缩放，防止FP16下的梯度下溢 model.to(device) optimizer = optim.Adam(model.parameters()) for data, target in dataloader: data, target = data.to(device), target.to(device) optimizer.zero_grad() with autocast(): # 自动混合精度上下文 output = model(data) loss = criterion(output, target) scaler.scale(loss).backward() # 缩放损失，反向传播 scaler.step(optimizer) # 缩放梯度，更新参数 scaler.update() # 更新缩放因子

  • 使用DataLoader的pin_memory选项：当你的数据在CPU上，而模型在GPU上时，设置DataLoader(dataset, pin_memory=True)可以将数据锁页内存中，从而加速从CPU到GPU的数据传输。

6. 不同场景下的环境配置策略

你的工作场景决定了哪种安装和管理策略最高效。

6.1 个人开发电脑（Windows/Linux）

  • 策略：使用Conda创建独立环境，通过PyTorch官网获取Conda命令安装。这是最省心、最推荐的方式。
  • 多版本管理：如果你需要同时进行多个项目，分别使用不同版本的PyTorch（例如一个项目用PyTorch 1.13 + CUDA 11.7，另一个用PyTorch 2.2 + CUDA 12.1），只需为每个项目创建独立的Conda环境即可。通过conda activate env_name在不同环境间切换。
  • IDE配置：在PyCharm或VSCode中，将解释器设置为对应Conda环境的Python路径（例如~/miniconda3/envs/pytorch_gpu/bin/python）。

6.2 云服务器/实验室服务器（Linux）

  • 策略：同样推荐Conda。但服务器上通常已由管理员安装了系统级的CUDA Toolkit（如/usr/local/cuda-12.1）。在这种情况下，你依然可以使用Conda安装PyTorch，Conda会安装自己的cudatoolkit包，它与系统CUDA隔离，互不影响。这是一种更干净、无冲突的方式。
  • 无root权限：Conda可以安装在用户目录下（如~/miniconda3），不需要sudo权限，非常适合多用户服务器环境。
  • 环境复用：可以将配置好的Conda环境导出为environment.yml文件，方便在其他机器上复现。
    # 导出环境 conda env export -n pytorch_gpu > environment.yml # 在新机器上创建环境 conda env create -f environment.yml

6.3 追求极致性能与自定义编译

对于高级用户或研究者，如果需要对PyTorch进行修改，或者需要链接特定版本的CUDA、cuDNN，可以选择从源码编译PyTorch。这个过程非常耗时（可能需要数小时），且对系统依赖要求高，但能获得针对你特定硬件的最优性能，并允许深度定制。

git clone --recursive https://github.com/pytorch/pytorch cd pytorch # 根据官方README.md，安装所有依赖 # 然后进行编译配置和编译 python setup.py install

除非你有非常明确的需求，否则不建议新手走这条路。预编译的Conda/Pip包已经为绝大多数硬件进行了高度优化。

7. 避坑经验与长效维护建议

配置环境不是一劳永逸的事，随着项目迭代和库的更新，你可能会遇到新问题。分享几个我长期维护深度学习环境的心得。

心得一：固定版本，记录环境永远不要在你的项目中使用模糊的依赖声明（如pytorch）。一定要记录精确的版本。conda list --export > spec-file.txt或生成environment.yml是项目合作的标配。这能确保所有协作者、所有部署环境的一致性。

心得二：善用虚拟环境，保持base环境纯净Base环境只安装Conda本身和必要的工具（如jupyter, nb_conda）。所有项目依赖都安装在独立的虚拟环境中。这样，当你把一个环境搞乱时，直接删除重建即可，不会影响其他项目。

心得三：升级驱动和CUDA是“大动作”升级NVIDIA驱动或系统级CUDA Toolkit前，请三思。这可能会影响所有依赖CUDA的应用程序。在服务器上，这需要协调。在个人电脑上，升级前最好先创建一个系统还原点。对于PyTorch环境，更常见的升级路径是：在Conda中创建一个新环境，安装新版本的PyTorch+CUDA组合，测试无误后，再逐步迁移项目。

心得四：理解“CUDA版本”的多样性当别人说“我的环境是CUDA 12.1”时，可能指：

  1. 系统路径/usr/local/cuda-12.1指向的完整CUDA Toolkit。
  2. Conda环境中的cudatoolkit=12.1包。
  3. PyTorch等框架内部编译所依赖的CUDA版本。
  4. nvidia-smi显示的驱动支持的最高CUDA运行时版本。 这四者可以不同！对于PyTorch用户，最关键的是第2点和第3点必须匹配，而第1点通常无关紧要（除非你用nvcc编译代码），第4点需要>=第2点。

最后的小技巧：如果你在Windows上使用WSL2进行开发，想在WSL2内使用GPU，需要安装WSL2专用的NVIDIA驱动（在Windows宿主机上安装），然后在WSL2的Linux发行版内，同样通过Conda安装PyTorch。nvidia-smi命令在WSL2终端内同样可用，环境配置逻辑与原生Linux几乎一致。

编程学习 学习日记 实战经验
← 返回列表