从零开始：GPU、CUDA、PyTorch 深度学习环境一键搭建避坑指南-优快云博客

2025 年了，如果你还在被“显卡驱动 → CUDA → cuDNN → PyTorch”这条链反复毒打，本文就是给你准备的一站式避坑手册。无论是本地 Ubuntu 还是远程服务器，照做 10 分钟就能用 torch.cuda.is_available() 返回 True！

一、先搞清楚 4 个版本的对应关系

组件	作用	如何查看版本	2025-07 推荐组合
GPU 驱动	操作系统识别显卡	`nvidia-smi`	≥ 535
CUDA Toolkit	GPU 编程接口	`nvcc -V`	12.4
cuDNN	深度学习加速库	`conda list cudnn`	8.9.x
PyTorch	深度学习框架	`torch.__version__`	2.5.1+cu124

⚠️ 只要驱动够新，CUDA 12.x 可以向下兼容；PyTorch 官网安装命令会自动对齐。

二、一键脚本（Ubuntu 20.04/22.04 通杀）

把下面脚本保存成 setup.sh，两行命令直接跑完：

# 1. 赋权 & 执行
chmod +x setup.sh && ./setup.sh

脚本内容（已集成国内镜像加速）：

#!/usr/bin/env bash
set -e

# 0. 检查 GPU
if ! nvidia-smi; then
    echo "❌ 请先安装 NVIDIA 驱动 ≥535"
    exit 1
fi

# 1. 安装 Anaconda（若已装可跳过）
if ! command -v conda &> /dev/null; then
    wget -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2024.02-1-Linux-x86_64.sh
    bash Anaconda3-2024.02-1-Linux-x86_64.sh -b
    source ~/.bashrc
fi

# 2. 创建虚拟环境
conda create -n torch25 python=3.11 -y
source "$(conda info --base)/etc/profile.d/conda.sh"
conda activate torch25

# 3. 通过 conda 一键安装 GPU 版 PyTorch（自带 CUDA/cuDNN）
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia -y

# 4. 验证
python - <<'EOF'
import torch, os
print("PyTorch:", torch.__version__)
print("CUDA  :", torch.version.cuda)
print("GPU   :", torch.cuda.get_device_name() if torch.cuda.is_available() else "❌未识别")
EOF

跑完后若看到类似输出，就说明 100% 成功：

PyTorch: 2.5.1
CUDA  : 12.4
GPU   : NVIDIA GeForce RTX 4090

三、常见翻车点 & 急救方案

症状	根因	急救
`torch.cuda.is_available()` 返回 False	驱动太旧 / CUDA 与 PyTorch 不匹配	`nvidia-smi` 看驱动版本，<535 就升级；PyTorch 换 cu124 版本
`ImportError: libcudnn.so.8`	cuDNN 没装好或路径不对	conda/pip 重新装 `cudnn` 包即可，无需手动复制文件
多版本 CUDA 互相打架	系统 PATH 乱	用 conda 隔离，宿主系统无需装 CUDA Toolkit
RTX 50 系列显卡不被识别	架构太新，官方稳定版未支持	使用 PyTorch nightly 构建：`pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128`

四、Docker 一键镜像（可选进阶）

如果你想把环境封装成镜像带到任何一台支持 nvidia-docker 的机器，直接跑：

docker run --gpus all -it --rm \
  yangjinyanxian/wan2.1:ubt2204-cu124-py311-pt251 \
  python -c "import torch, torchvision; print(torch.cuda.is_available())"

镜像里已经打包好 Ubuntu 22.04 + Python 3.11 + PyTorch 2.5.1 + CUDA 12.4，开箱即用。

五、3 分钟速查表（保存到备忘录）

驱动
nvidia-smi → 看到 GPU 型号 & 驱动 ≥ 535 ✅
环境
conda create -n mytorch python=3.11
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia

验证

import torch
print(torch.cuda.is_available(), torch.cuda.get_device_name())

六、结语

2025 年，别再手动复制 .so 文件、改 .bashrc 了。
用 conda 或 Docker 就是最佳实践；一旦版本对齐，深度学习环境搭建只需要一杯咖啡的时间。