1. 为什么我坚持在Win10上折腾本地GPU环境每次带新人做深度学习项目第一个卡住的地方几乎都不是模型结构而是环境。尤其是Windows 10这个平台显卡驱动、CUDA运行时、cuDNN加速库、PyTorch框架四者之间的版本咬合关系比很多人想象中要脆弱得多。我见过太多人在这上面耗掉一整个周末最后要么退回CPU版本凑合跑要么干脆换系统。其实只要把版本对应关系和安装顺序理清楚Win10下跑通PyTorch-GPU并不难难的是没人把中间那些看起来无关紧要、实际一错就崩的细节讲透。这篇内容就是把我自己反复装过十几台机器后总结出来的完整流程写下来。它解决的核心问题是在Windows 10环境下从零搭建一套能真正调用显卡算力的PyTorch深度学习环境。适合刚入门深度学习、手里有一块独立显卡、想在本地跑训练或推理的开发者也适合那些之前装过但总是报错、想搞清楚到底哪一步出问题的朋友。我会把每一步背后的原因讲清楚而不是只丢一串命令让你照抄——因为照抄的命令一旦版本对不上你连错在哪都不知道。先给一个整体认知这套环境是分层依赖的。最底层是显卡驱动它决定了你的系统能识别到多新的CUDA版本往上是CUDA Toolkit这是显卡做通用计算的运行时再往上是cuDNN专门为深度学习算子做加速最上面才是PyTorch它编译时链接了特定版本的CUDA和cuDNN。四层必须自下而上对齐任何一层版本错位轻则回退到CPU、重则直接导入报错。理解了这条链后面每一步你都会知道自己在干什么。2. 装之前必须搞清楚的版本对应关系2.1 显卡驱动版本决定了CUDA的上限很多人一上来就去官网下CUDA结果装完发现PyTorch还是用不了GPU。问题往往出在驱动太旧。显卡驱动里包含了一个叫CUDA Driver的东西它有一个最高支持的CUDA运行时版本。比如你的驱动只支持到CUDA 11.8那你装CUDA 12.x的运行时就会各种异常。查看方法很简单打开命令行输入nvidia-smi右上角会显示CUDA Version: xx.x这个数字就是你当前驱动能支持的最高CUDA运行时版本。注意这是上限不是必须你完全可以装比它低的版本。我个人的建议是先跑nvidia-smi记下这个上限然后去PyTorch官网看当前稳定版支持哪些CUDA版本取两者交集里较高的那个。这样既不会浪费显卡能力也不会因为版本太新踩到兼容坑。如果nvidia-smi命令找不到说明驱动没装好或者显卡没被识别这一步必须先解决不然后面全是白费。2.2 PyTorch、CUDA、cuDNN三者的绑定关系PyTorch官方发布的每个版本都是针对特定CUDA版本编译的。你在官网安装命令生成器里选CUDA 11.8它给你的就是链接了CUDA 11.8运行时的包。而cuDNN是跟着CUDA走的每个CUDA大版本对应几个cuDNN小版本。这里有个关键点通过pip或conda安装PyTorch时CUDA运行时和cuDNN通常会被一起打包进来你不需要单独去装完整的CUDA Toolkit和cuDNN。这是新手最容易绕晕的地方——网上很多老教程让你先装CUDA Toolkit再手动拷cuDNN文件那是几年前的做法了。那什么时候需要单独装CUDA Toolkit当你要自己编译带自定义算子的扩展、或者用一些需要调用nvcc编译器的库时才需要。纯粹跑PyTorch训练和推理pip装的那个包已经自带运行时了。所以我的流程是驱动装好直接pip装PyTorch让它把CUDA和cuDNN一起带进来省去大量手动配置。下面这张表是我实测下来比较稳的几组搭配供参考PyTorch版本推荐CUDA对应cuDNN驱动最低要求2.1.x11.88.7522.062.2.x11.8 / 12.18.7522.062.3.x11.8 / 12.18.9525.602.4.x11.8 / 12.18.9525.60注意表里的驱动最低要求是至少实际建议比它高一些避免边界情况。驱动永远向下兼容装新不装旧。2.3 一个容易被忽略的坑Python版本PyTorch对Python版本也有要求。太新的Python比如刚发布的3.13往往还没有对应的wheel包你pip装的时候会找不到匹配版本然后pip可能聪明地给你装个CPU版或者干脆报错。我一般用Python 3.10或3.11这两个版本生态最成熟几乎所有深度学习库都有现成的包。用conda创建独立环境时指定版本能避免污染系统Python也方便后面出问题直接删环境重来。3. 从驱动到验证的完整落地步骤3.1 显卡驱动的确认与更新第一步永远是确认驱动。打开命令行输入nvidia-smi如果能看到显卡型号、驱动版本、CUDA Version说明驱动正常。如果提示命令不存在去显卡厂商官网下载对应型号的最新驱动装上。更新驱动时有个经验优先用厂商官网的驱动而不是系统自动更新推的版本后者往往偏旧。装完重启再跑一次nvidia-smi确认。这里有个细节值得说nvidia-smi显示的CUDA Version是驱动支持的最高运行时版本不是你系统里装的CUDA版本。很多人误以为这个数字就是自己装的CUDA其实不是。它只是个能力上限真正用哪个版本由你装的PyTorch决定。3.2 用conda建一个干净的环境我强烈建议不要用系统全局Python装PyTorch。原因很简单深度学习项目依赖复杂不同项目可能要不同版本的库全局装迟早冲突。用conda建环境conda create -n torch-gpu python3.10 conda activate torch-gpu建完激活后面所有操作都在这个环境里做。这样即使装崩了conda remove -n torch-gpu --all一删干干净净重来不影响系统。这一步看似多余实则是我踩过最多次坑之后养成的习惯——环境隔离能省掉无数为什么昨天还能跑今天就不行的玄学问题。3.3 安装PyTorch-GPU的正确姿势到PyTorch官网的安装命令生成器选好你的系统Windows、包管理器pip或conda、Python版本、CUDA版本它会给你一条命令。比如CUDA 11.8的pip命令大概长这样pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118关键在--index-url这个参数它指向PyTorch官方的CUDA专用源。如果你不加这个参数直接pip install torch很可能装到CPU版本。这是新手最常犯的错——装完发现torch.cuda.is_available()返回False一查才知道装的是CPU包。用conda的话命令类似但conda的源有时候同步慢我个人更倾向pip装PyTorch速度快、版本新。装的时候注意看下载的包名里带不带cu字样带的就是GPU版。下载量通常几百MB到1GB多取决于版本耐心等。3.4 验证GPU是否真正可用装完必须验证不能想当然。写一段最小测试import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.device_count())期望输出是版本号、True、你的显卡型号、显卡数量。如果is_available()是False别急着怀疑人生按下面顺序排查先确认装的是不是GPU版看版本号里有没有cu再确认驱动版本够不够最后确认CUDA版本和PyTorch是否匹配。我遇到过好几次是pip缓存了旧的CPU包加--no-cache-dir重装就好了。再做一个真实计算测试确保不只是能识别而是能算import torch x torch.randn(1000, 1000).cuda() y torch.randn(1000, 1000).cuda() z x y print(z.device) print(z.sum().item())这段代码把张量放到显卡上做矩阵乘法如果正常输出结果且device显示cuda说明整条链路通了。这一步比单纯is_available()更有说服力因为它真的调用了显卡算力。4. 那些年我踩过的报错与排查思路4.1 CUDA out of memory不一定是显存不够这个报错太常见了但原因未必是你以为的显存不足。我遇到过几种情况一是前一个进程没释放显存nvidia-smi一看还有残留重启内核或杀掉进程就好二是batch size设太大这个调小即可三是显卡被其他程序占用比如浏览器开了硬件加速、或者另一个训练脚本还在跑。排查顺序应该是先nvidia-smi看显存占用和进程列表确认没有僵尸进程再考虑调参。还有一种隐蔽情况PyTorch默认会缓存一部分显存不释放导致nvidia-smi显示的占用比实际需要高。这时候可以用torch.cuda.empty_cache()手动清理但注意它只释放缓存不解决真正的显存不足。理解这个机制能帮你少走弯路——看到显存占用高不代表一定OOM要看实际分配。4.2 版本不匹配的典型症状版本错配的报错五花八门但有几个典型症状可以帮你快速定位。如果导入torch就报DLL load failed多半是CUDA运行时和驱动不匹配或者缺了某个系统运行库如果is_available()是False但没报错基本是装了CPU版如果训练中途报CUDA error: no kernel image is available说明PyTorch编译的CUDA架构和你的显卡算力不匹配这种情况通常出现在很新的显卡配很旧的PyTorch上。我的经验是遇到版本问题不要试图修直接重装。因为版本依赖是链式的你修好一层可能破坏另一层不如按正确搭配从头来一遍十分钟的事比debug两小时划算。重装前记得pip uninstall torch torchvision torchaudio卸干净必要时清pip缓存。4.3 多环境冲突导致的诡异问题如果你机器上有多个Python环境系统Python、conda环境、虚拟环境很容易出现我在A环境装了但在B环境跑的情况。症状是明明装好了却导入失败或者导入的是另一个版本。排查方法在报错的同一个终端里跑which pythonWindows下是where python和pip -V确认python和pip指向同一个环境。我见过有人pip装到了系统环境python却用的conda环境怎么都跑不通查了半天才发现是路径问题。提示每次操作前先conda activate你的目标环境然后用python -c import sys; print(sys.executable)确认当前解释器路径能避免绝大多数环境错乱问题。5. 让环境更稳的几个进阶习惯5.1 固定版本别追新深度学习生态更新快但生产环境最忌讳追新。我现在的做法是项目开始时确定一套版本组合写进requirements.txt之后不轻易升级。比如torch2.1.0cu118这样锁死团队里所有人用同一套避免在我机器上能跑的经典问题。升级要单独开分支测试确认没问题再合并。这个习惯帮我省掉了大量协作时的环境扯皮。5.2 用国内镜像加速下载PyTorch的包体积大从官方源下载有时候慢得让人抓狂。可以配置pip的国内镜像源加速但要注意PyTorch的CUDA专用包在普通镜像源上可能没有所以装PyTorch时还是得用官方--index-url装其他依赖numpy、pandas之类时再切回镜像源。我一般装完PyTorch后把pip源临时切回国内镜像装其余库速度能快好几倍。5.3 记录你的环境快照环境装好后跑一句pip freeze requirements.txt把当前所有包版本存下来。下次换机器或者环境崩了直接照着这个文件装能最大程度复现。更进一步可以用conda env export environment.yml导出完整环境。这个习惯在需要复现实验结果的场景下尤其重要——别人拿着你的requirements能装出一模一样的环境实验结果才有可比性。5.4 显存监控与调优的小技巧跑训练时我习惯开一个终端持续跑nvidia-smi -l 1每秒刷新一次显存和利用率。这样能直观看到显存增长曲线判断batch size是否合理、有没有内存泄漏。如果发现显存随训练步数持续上涨不回落多半是代码里有张量没释放比如把loss累加到了列表里却没detach。这类问题在CPU上不明显一到GPU就暴露早点监控早点发现。另外PyTorch的torch.cuda.memory_summary()能打印详细的显存分配情况包括已分配、已缓存、峰值等。调优batch size时我会先从小batch跑起来逐步加大观察峰值显存找到显卡能承受的最大值。这比盲目试要高效得多。6. 关于这套流程我自己的几点体会装环境这件事说到底是理解依赖关系的过程。我刚开始也走过弯路照着教程一步步来结果因为教程里的版本和我机器不匹配卡在某个报错上怎么也过不去。后来我强迫自己每次装之前先想清楚驱动支持到哪、PyTorch要哪个CUDA、Python版本合不合适把这三个问题回答清楚安装过程基本就是顺水推舟。还有一个体会是不要怕重装。环境问题最忌讳在错误的基础上打补丁越补越乱。我现在遇到搞不定的环境问题第一反应是删环境重来用确定正确的版本组合重新装一遍通常十几分钟就搞定比在那里猜半天强。这套流程我用了很多次从台式机到笔记本从老显卡到新显卡只要版本对应关系对Win10下跑PyTorch-GPU是很稳的。最后分享一个我常用来快速判断环境是否健康的小脚本装完环境跑一下几秒钟就能知道能不能用import torch assert torch.cuda.is_available(), CUDA不可用检查是否装了GPU版 device torch.device(cuda) a torch.ones(3, 3, devicedevice) b torch.ones(3, 3, devicedevice) c a b assert c.sum().item() 18.0, 计算异常 print(环境健康显卡, torch.cuda.get_device_name(0)) print(CUDA版本, torch.version.cuda) print(cuDNN版本, torch.backends.cudnn.version())这段脚本把可用性、计算正确性、版本信息一次性验证完我把它放在每个新环境的第一个cell里跑通过之后才放心开始写模型。环境这东西前期多花十分钟确认后期能省十小时debug。 1. 为什么我坚持在Win10上折腾本地GPU环境每次带新人做深度学习项目第一个卡住的地方几乎都不是模型结构而是环境。尤其是Windows 10这个平台显卡驱动、CUDA运行时、cuDNN加速库、PyTorch框架四者之间的版本咬合关系比很多人想象中要脆弱得多。我见过太多人在这上面耗掉一整个周末最后要么退回CPU版本凑合跑要么干脆换系统。其实只要把版本对应关系和安装顺序理清楚Win10下跑通PyTorch-GPU并不难难的是没人把中间那些看起来无关紧要、实际一错就崩的细节讲透。这篇内容就是把我自己反复装过十几台机器后总结出来的完整流程写下来。它解决的核心问题是在Windows 10环境下从零搭建一套能真正调用显卡算力的PyTorch深度学习环境。适合刚入门深度学习、手里有一块独立显卡、想在本地跑训练或推理的开发者也适合那些之前装过但总是报错、想搞清楚到底哪一步出问题的朋友。我会把每一步背后的原因讲清楚而不是只丢一串命令让你照抄——因为照抄的命令一旦版本对不上你连错在哪都不知道。先给一个整体认知这套环境是分层依赖的。最底层是显卡驱动它决定了你的系统能识别到多新的CUDA版本往上是CUDA Toolkit这是显卡做通用计算的运行时再往上是cuDNN专门为深度学习算子做加速最上面才是PyTorch它编译时链接了特定版本的CUDA和cuDNN。四层必须自下而上对齐任何一层版本错位轻则回退到CPU、重则直接导入报错。理解了这条链后面每一步你都会知道自己在干什么。2. 装之前必须搞清楚的版本对应关系2.1 显卡驱动版本决定了CUDA的上限很多人一上来就去官网下CUDA结果装完发现PyTorch还是用不了GPU。问题往往出在驱动太旧。显卡驱动里包含了一个叫CUDA Driver的东西它有一个最高支持的CUDA运行时版本。比如你的驱动只支持到CUDA 11.8那你装CUDA 12.x的运行时就会各种异常。查看方法很简单打开命令行输入nvidia-smi右上角会显示CUDA Version: xx.x这个数字就是你当前驱动能支持的最高CUDA运行时版本。注意这是上限不是必须你完全可以装比它低的版本。我个人的建议是先跑nvidia-smi记下这个上限然后去PyTorch官网看当前稳定版支持哪些CUDA版本取两者交集里较高的那个。这样既不会浪费显卡能力也不会因为版本太新踩到兼容坑。如果nvidia-smi命令找不到说明驱动没装好或者显卡没被识别这一步必须先解决不然后面全是白费。2.2 PyTorch、CUDA、cuDNN三者的绑定关系PyTorch官方发布的每个版本都是针对特定CUDA版本编译的。你在官网安装命令生成器里选CUDA 11.8它给你的就是链接了CUDA 11.8运行时的包。而cuDNN是跟着CUDA走的每个CUDA大版本对应几个cuDNN小版本。这里有个关键点通过pip或conda安装PyTorch时CUDA运行时和cuDNN通常会被一起打包进来你不需要单独去装完整的CUDA Toolkit和cuDNN。这是新手最容易绕晕的地方——网上很多老教程让你先装CUDA Toolkit再手动拷cuDNN文件那是几年前的做法了。那什么时候需要单独装CUDA Toolkit当你要自己编译带自定义算子的扩展、或者用一些需要调用nvcc编译器的库时才需要。纯粹跑PyTorch训练和推理pip装的那个包已经自带运行时了。所以我的流程是驱动装好直接pip装PyTorch让它把CUDA和cuDNN一起带进来省去大量手动配置。下面这张表是我实测下来比较稳的几组搭配供参考PyTorch版本推荐CUDA对应cuDNN驱动最低要求2.1.x11.88.7522.062.2.x11.8 / 12.18.7522.062.3.x11.8 / 12.18.9525.602.4.x11.8 / 12.18.9525.60注意表里的驱动最低要求是至少实际建议比它高一些避免边界情况。驱动永远向下兼容装新不装旧。2.3 一个容易被忽略的坑Python版本PyTorch对Python版本也有要求。太新的Python比如刚发布的3.13往往还没有对应的wheel包你pip装的时候会找不到匹配版本然后pip可能聪明地给你装个CPU版或者干脆报错。我一般用Python 3.10或3.11这两个版本生态最成熟几乎所有深度学习库都有现成的包。用conda创建独立环境时指定版本能避免污染系统Python也方便后面出问题直接删环境重来。3. 从驱动到验证的完整落地步骤3.1 显卡驱动的确认与更新第一步永远是确认驱动。打开命令行输入nvidia-smi如果能看到显卡型号、驱动版本、CUDA Version说明驱动正常。如果提示命令不存在去显卡厂商官网下载对应型号的最新驱动装上。更新驱动时有个经验优先用厂商官网的驱动而不是系统自动更新推的版本后者往往偏旧。装完重启再跑一次nvidia-smi确认。这里有个细节值得说nvidia-smi显示的CUDA Version是驱动支持的最高运行时版本不是你系统里装的CUDA版本。很多人误以为这个数字就是自己装的CUDA其实不是。它只是个能力上限真正用哪个版本由你装的PyTorch决定。3.2 用conda建一个干净的环境我强烈建议不要用系统全局Python装PyTorch。原因很简单深度学习项目依赖复杂不同项目可能要不同版本的库全局装迟早冲突。用conda建环境conda create -n torch-gpu python3.10 conda activate torch-gpu建完激活后面所有操作都在这个环境里做。这样即使装崩了conda remove -n torch-gpu --all一删干干净净重来不影响系统。这一步看似多余实则是我踩过最多次坑之后养成的习惯——环境隔离能省掉无数为什么昨天还能跑今天就不行的玄学问题。3.3 安装PyTorch-GPU的正确姿势到PyTorch官网的安装命令生成器选好你的系统Windows、包管理器pip或conda、Python版本、CUDA版本它会给你一条命令。比如CUDA 11.8的pip命令大概长这样pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118关键在--index-url这个参数它指向PyTorch官方的CUDA专用源。如果你不加这个参数直接pip install torch很可能装到CPU版本。这是新手最常犯的错——装完发现torch.cuda.is_available()返回False一查才知道装的是CPU包。用conda的话命令类似但conda的源有时候同步慢我个人更倾向pip装PyTorch速度快、版本新。装的时候注意看下载的包名里带不带cu字样带的就是GPU版。下载量通常几百MB到1GB多取决于版本耐心等。3.4 验证GPU是否真正可用装完必须验证不能想当然。写一段最小测试import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.cuda.device_count())期望输出是版本号、True、你的显卡型号、显卡数量。如果is_available()是False别急着怀疑人生按下面顺序排查先确认装的是不是GPU版看版本号里有没有cu再确认驱动版本够不够最后确认CUDA版本和PyTorch是否匹配。我遇到过好几次是pip缓存了旧的CPU包加--no-cache-dir重装就好了。再做一个真实计算测试确保不只是能识别而是能算import torch x torch.randn(1000, 1000).cuda() y torch.randn(1000, 1000).cuda() z x y print(z.device) print(z.sum().item())这段代码把张量放到显卡上做矩阵乘法如果正常输出结果且device显示cuda说明整条链路通了。这一步比单纯is_available()更有说服力因为它真的调用了显卡算力。4. 那些年我踩过的报错与排查思路4.1 CUDA out of memory不一定是显存不够这个报错太常见了但原因未必是你以为的显存不足。我遇到过几种情况一是前一个进程没释放显存nvidia-smi一看还有残留重启内核或杀掉进程就好二是batch size设太大这个调小即可三是显卡被其他程序占用比如浏览器开了硬件加速、或者另一个训练脚本还在跑。排查顺序应该是先nvidia-smi看显存占用和进程列表确认没有僵尸进程再考虑调参。还有一种隐蔽情况PyTorch默认会缓存一部分显存不释放导致nvidia-smi显示的占用比实际需要高。这时候可以用torch.cuda.empty_cache()手动清理但注意它只释放缓存不解决真正的显存不足。理解这个机制能帮你少走弯路——看到显存占用高不代表一定OOM要看实际分配。4.2 版本不匹配的典型症状版本错配的报错五花八门但有几个典型症状可以帮你快速定位。如果导入torch就报DLL load failed多半是CUDA运行时和驱动不匹配或者缺了某个系统运行库如果is_available()是False但没报错基本是装了CPU版如果训练中途报CUDA error: no kernel image is available说明PyTorch编译的CUDA架构和你的显卡算力不匹配这种情况通常出现在很新的显卡配很旧的PyTorch上。我的经验是遇到版本问题不要试图修直接重装。因为版本依赖是链式的你修好一层可能破坏另一层不如按正确搭配从头来一遍十分钟的事比debug两小时划算。重装前记得pip uninstall torch torchvision torchaudio卸干净必要时清pip缓存。4.3 多环境冲突导致的诡异问题如果你机器上有多个Python环境系统Python、conda环境、虚拟环境很容易出现我在A环境装了但在B环境跑的情况。症状是明明装好了却导入失败或者导入的是另一个版本。排查方法在报错的同一个终端里跑which pythonWindows下是where python和pip -V确认python和pip指向同一个环境。我见过有人pip装到了系统环境python却用的conda环境怎么都跑不通查了半天才发现是路径问题。提示每次操作前先conda activate你的目标环境然后用python -c import sys; print(sys.executable)确认当前解释器路径能避免绝大多数环境错乱问题。5. 让环境更稳的几个进阶习惯5.1 固定版本别追新深度学习生态更新快但生产环境最忌讳追新。我现在的做法是项目开始时确定一套版本组合写进requirements.txt之后不轻易升级。比如torch2.1.0cu118这样锁死团队里所有人用同一套避免在我机器上能跑的经典问题。升级要单独开分支测试确认没问题再合并。这个习惯帮我省掉了大量协作时的环境扯皮。5.2 用国内镜像加速下载PyTorch的包体积大从官方源下载有时候慢得让人抓狂。可以配置pip的国内镜像源加速但要注意PyTorch的CUDA专用包在普通镜像源上可能没有所以装PyTorch时还是得用官方--index-url装其他依赖numpy、pandas之类时再切回镜像源。我一般装完PyTorch后把pip源临时切回国内镜像装其余库速度能快好几倍。5.3 记录你的环境快照环境装好后跑一句pip freeze requirements.txt把当前所有包版本存下来。下次换机器或者环境崩了直接照着这个文件装能最大程度复现。更进一步可以用conda env export environment.yml导出完整环境。这个习惯在需要复现实验结果的场景下尤其重要——别人拿着你的requirements能装出一模一样的环境实验结果才有可比性。5.4 显存监控与调优的小技巧跑训练时我习惯开一个终端持续跑nvidia-smi -l 1每秒刷新一次显存和利用率。这样能直观看到显存增长曲线判断batch size是否合理、有没有内存泄漏。如果发现显存随训练步数持续上涨不回落多半是代码里有张量没释放比如把loss累加到了列表里却没detach。这类问题在CPU上不明显一到GPU就暴露早点监控早点发现。另外PyTorch的torch.cuda.memory_summary()能打印详细的显存分配情况包括已分配、已缓存、峰值等。调优batch size时我会先从小batch跑起来逐步加大观察峰值显存找到显卡能承受的最大值。这比盲目试要高效得多。6. 关于这套流程我自己的几点体会装环境这件事说到底是理解依赖关系的过程。我刚开始也走过弯路照着教程一步步来结果因为教程里的版本和我机器不匹配卡在某个报错上怎么也过不去。后来我强迫自己每次装之前先想清楚驱动支持到哪、PyTorch要哪个CUDA、Python版本合不合适把这三个问题回答清楚安装过程基本就是顺水推舟。还有一个体会是不要怕重装。环境问题最忌讳在错误的基础上打补丁越补越乱。我现在遇到搞不定的环境问题第一反应是删环境重来用确定正确的版本组合重新装一遍通常十几分钟就搞定比在那里猜半天强。这套流程我用了很多次从台式机到笔记本从老显卡到新显卡只要版本对应关系对Win10下跑PyTorch-GPU是很稳的。最后分享一个我常用来快速判断环境是否健康的小脚本装完环境跑一下几秒钟就能知道能不能用import torch assert torch.cuda.is_available(), CUDA不可用检查是否装了GPU版 device torch.device(cuda) a torch.ones(3, 3, devicedevice) b torch.ones(3, 3, devicedevice) c a b assert c.sum().item() 18.0, 计算异常 print(环境健康显卡, torch.cuda.get_device_name(0)) print(CUDA版本, torch.version.cuda) print(cuDNN版本, torch.backends.cudnn.version())这段脚本把可用性、计算正确性、版本信息一次性验证完我把它放在每个新环境的第一个cell里跑通过之后才放心开始写模型。环境这东西前期多花十分钟确认后期能省十小时debug。