PyTorch + CUDA 安装保姆级教程：从入门到避坑，一篇搞定！

作为深度学习开发者，PyTorch 凭借其动态图灵活性和友好的 API，已成为入门和科研的首选框架。而 GPU 加速（通过 NVIDIA CUDA）更是将训练效率提升数倍甚至数十倍。但安装 PyTorch 与 CUDA 的过程常让新手踩坑，本文将以 Windows/Linux 双系统为场景，手把手教你完成「显卡检查→驱动更新→CUDA 安装→PyTorch 部署→验证」全流程，并总结常见问题的解决方案。

---

一、前置条件：你的电脑能跑 CUDA 吗？

1. 检查显卡是否支持 CUDA

CUDA 是 NVIDIA 独家的 GPU 计算平台，仅支持 NVIDIA 显卡（AMD/Intel 核显/独显无法使用）。

• Windows：右键「此电脑」→「管理」→「设备管理器」→ 展开「显示适配器」，查看显卡型号（如 RTX 3090、GTX 1650 等）。
• Linux：终端输入 lspci | grep -i vga 或 nvidia-smi（若已装驱动）。

关键判断：前往 https://developer.nvidia.com/cuda-gpus，确认你的显卡型号在列（如 GTX 10 系及以上基本支持）。若显卡过旧（如 GTX 700 系），可能仅支持 CUDA 10 及以下版本，需谨慎选择。

2. 更新 NVIDIA 显卡驱动

CUDA 依赖显卡驱动，驱动版本过旧会导致 CUDA 无法运行。建议安装 最新稳定版驱动（非 Game Ready 驱动也可，但需 ≥ CUDA 要求的最低版本）。

• 下载地址：https://www.nvidia.com/Download/index.aspx
• 选择对应显卡型号、操作系统版本，下载后按提示安装（勾选「清洁安装」避免旧驱动残留）。
• 安装完成后，终端输入 nvidia-smi，若能显示 GPU 信息（如显存、驱动版本），则驱动安装成功。

---

二、选择 CUDA 版本：与 PyTorch 强绑定！

PyTorch 的 CUDA 支持需严格匹配 CUDA Toolkit 版本（如 PyTorch 2.0 支持 CUDA 11.7/11.8/12.1）。错误版本会导致「CUDA 不可用」或性能异常。

步骤 1：确定目标 CUDA 版本

访问 https://pytorch.org/，点击「Install」进入版本选择页，根据需求勾选：

• 「Stable」（稳定版）或「Preview」（预览版）。
• 操作系统（如 Windows/Linux）。
• 包管理器（pip/conda）。
• CUDA 版本（推荐选择「CUDA 11.8」或「CUDA 12.1」，兼容性最佳）。

官网会自动生成对应安装命令（后续直接使用）。例如：

# CUDA 11.8 + pip 示例
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

步骤 2：下载 CUDA Toolkit

前往 https://developer.nvidia.com/cuda-toolkit-archive，选择与 PyTorch 匹配的版本（如 CUDA 11.8）。

注意：

• 若只需开发（非驱动开发），选择「Complete」或「Runtime」即可（Runtime 体积更小）。
• Windows 用户建议选「Installer Type: exe [Local]」（离线安装，避免网络问题）；Linux 用户选「Runfile (local)」或包管理器（如 Ubuntu 的 apt）。

---

三、安装 CUDA Toolkit：系统差异需注意

Windows 系统安装步骤

1. 双击下载的 CUDA 安装包（如 cuda_11.8.0_522.06_windows.exe），勾选「接受许可条款」。

2. 选择安装类型：

   • 推荐「Complete」（包含所有组件，如 cuDNN 部分库），但需约 3GB 空间。
   • 若仅需 PyTorch 运行，可选「Custom」→ 勾选「CUDA」→ 取消「Driver」（驱动已单独安装）。

3. 等待安装完成（约 10-20 分钟），期间可能提示重启，建议保存文件后重启。

4. 验证安装：
   打开命令提示符，输入 nvcc --version，若显示 CUDA 版本（如 11.8），则 Toolkit 安装成功。
   若提示「nvcc 不是内部或外部命令」，需手动添加环境变量：

   • 右键「此电脑」→「属性」→「高级系统设置」→「环境变量」。
   • 在「系统变量」中找到 Path，添加 CUDA 的 bin 和 libnvvp 路径（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin 和 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp）。

Linux 系统安装步骤（以 Ubuntu 20.04 为例）

1. 关闭图形界面（避免冲突）：

   sudo systemctl isolate multi-user.target
   

2. 运行下载的 Runfile 安装包：

   chmod +x cuda_11.8.0_522.06_linux.run
   sudo ./cuda_11.8.0_522.06_linux.run
   

3. 安装选项：

   • 勾选「Accept」接受许可。
   • 取消「Install NVIDIA Driver」（驱动已单独安装）。
   • 其他选项保持默认（安装路径 /usr/local/cuda-11.8）。

4. 配置环境变量：
   编辑 ~/.bashrc 或 /etc/profile：

   echo 'export PATH=/usr/local/cuda-11.8/bin${PATH:+:${PATH}}' >> ~/.bashrc
   echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
   source ~/.bashrc  # 立即生效
   

5. 验证安装：
   输入 nvcc --version 显示版本，或运行 nvidia-smi 确认 GPU 识别正常。

---

四、安装 PyTorch：一键式命令搞定

方法 1：使用 pip 安装（通用）

回到 PyTorch 官网的安装命令生成页，复制对应 CUDA 版本的 pip 命令。例如 CUDA 11.8：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

方法 2：使用 conda 安装（推荐）

若习惯用 conda 管理环境，官网会生成类似命令（自动处理依赖）：

conda create -n pytorch_env python=3.9  # 创建虚拟环境（可选但强烈推荐）
conda activate pytorch_env  # 激活环境
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

注意：

• 虚拟环境可避免系统级 Python 包冲突，建议新手必做。
• 若下载速度慢，可切换 pip 源（如阿里云、清华源）：

  pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
  

---

五、验证安装：确认 CUDA 可用！

安装完成后，必须验证 PyTorch 是否成功调用 CUDA。打开 Python 终端，执行以下代码：

import torch

# 检查 CUDA 是否可用
print("CUDA 可用吗？", torch.cuda.is_available())  # 输出应为 True

# 查看当前 GPU 设备
print("当前 GPU 设备：", torch.cuda.current_device())

# 查看所有可用 GPU 数量
print("可用 GPU 数量：", torch.cuda.device_count())

# 创建一个张量并移动到 GPU
x = torch.tensor([1.0, 2.0])
x_gpu = x.cuda()  # 或 x.to('cuda')
print("张量是否在 GPU 上？", x_gpu.is_cuda)  # 输出应为 True

# 查看张量所在设备详情
print("张量所在设备：", x_gpu.device)  # 输出类似 'cuda:0'

预期输出：

CUDA 可用吗？ True
当前 GPU 设备： 0
可用 GPU 数量： 1
张量是否在 GPU 上？ True
张量所在设备： cuda:0

若 torch.cuda.is_available() 返回 False，说明安装失败，需排查以下问题：

1. CUDA 与 PyTorch 版本不匹配：通过 nvcc --version 查看 CUDA Toolkit 版本，与 PyTorch 要求的版本对比（官网文档有详细对应表）。
2. 环境变量未正确配置：Windows 检查 Path 是否包含 CUDA 的 bin 目录；Linux 检查 ~/.bashrc 中的 PATH 和 LD_LIBRARY_PATH。
3. 显卡驱动过旧：运行 nvidia-smi，若驱动版本低于 CUDA 要求的最低版本（如 CUDA 11.8 要求驱动 ≥ 450.80.02），需更新驱动。
4. 虚拟环境未激活：若使用 conda/venv，确保已激活目标环境。

---

六、常见问题汇总（附解决方案）

Q1：安装 CUDA 时提示「驱动不兼容」

• 原因：CUDA Toolkit 依赖特定版本的显卡驱动，旧驱动无法支持新版 CUDA。
• 解决：前往 https://www.nvidia.com/Download/index.aspx，下载与 CUDA 版本匹配的驱动（CUDA Toolkit 页面会标注最低驱动要求）。

Q2：PyTorch 安装后 torch.cuda.is_available() 仍为 False

• 原因：可能是 CUDA Toolkit 未正确安装，或 PyTorch 未检测到 CUDA 路径。
• 解决：
  1. 重新安装 CUDA Toolkit，确保 nvcc --version 能正常输出版本。
  2. 手动指定 CUDA 路径（Linux）：

     export PATH=/usr/local/cuda-11.8/bin:$PATH
     export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH
     

  3. 尝试重启电脑（部分环境变量需重启生效）。

Q3：Linux 下 nvidia-smi 显示驱动正常，但 nvcc --version 报错

• 原因：nvidia-smi 依赖显卡驱动，而 nvcc 是 CUDA Toolkit 的编译器，两者独立。报错说明 CUDA Toolkit 未正确安装。
• 解决：重新安装 CUDA Toolkit，确保勾选「Runtime」或「Complete」组件（避免仅安装驱动）。

Q4：macOS 用户想用 GPU 加速？

• 说明：macOS 自 2018 年后不再支持 NVIDIA 显卡，CUDA 无法使用。但 PyTorch 提供 MPS（Metal Performance Shaders）后端，可调用 Apple Silicon 芯片（M1/M2 系列）的 GPU。
• 安装方法：官网生成命令时选择「macOS」+「MPS」，命令类似：

  pip3 install torch torchvision torchaudio
  

  验证时将 cuda 替换为 mps：

  device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
  

---

总结

安装 PyTorch 与 CUDA 的核心是版本匹配和环境配置。本文通过分步指南覆盖了从显卡检查到最终验证的全流程，并总结了常见问题的解决方案。只要严格按照步骤操作，即使是新手也能顺利完成安装。

最后提醒：深度学习任务对硬件要求较高，若使用笔记本集成显卡或老旧 NVIDIA 显卡，可优先尝试 CPU 版 PyTorch（去掉 CUDA 依赖），或考虑云服务器（如 Google Colab、阿里云 GPU 实例）获取更强算力。