作为一名计算机视觉方向的学生，搭建一个稳定的 PyTorch GPU 开发环境，是跑模型、做实验的第一步。本以为这是个 “复制粘贴命令就能搞定” 的小事，没想到在安装过程中，我连续踩了好几个大坑：明明有 NVIDIA 显卡，PyTorch 却始终识别不到 GPU；明明安装了 CUDA 版本，最后却变成了 CPU 版；终端卡住无法停止……

我把这次从 “崩溃” 到 “成功” 的全过程，以及遇到的问题和解决方法整理成这篇博客，希望能帮到你。

一、前期准备：确认你的硬件和驱动

在安装 PyTorch 之前，必须先确认你的电脑是否具备使用 GPU 的条件。

1. 确认你的显卡型号

只有 NVIDIA 显卡才支持 CUDA，AMD 和 Intel 核显是无法使用 PyTorch GPU 加速的。

• 按下 Win + R，输入 dxdiag，切换到「显示」标签，查看显卡型号。
• 我的显卡是 NVIDIA GeForce RTX 3050，满足要求。

2. 确认显卡驱动和 CUDA 版本

 安装 PyTorch GPU 版，不要求你单独安装 CUDA Toolkit，但必须保证你的显卡驱动支持对应的 CUDA 版本。

• 打开命令行，输入 nvidia-smi，查看输出信息。
• 我的驱动版本是 576.57，支持的最高 CUDA 版本是 12.9，这意味着我可以安装 CUDA 12.8 及以下版本的 PyTorch。

二、常见坑点与终极解决方法

坑点 1：安装后 torch.cuda.is_available() 始终为 False

现象：显卡和驱动都正常，但运行验证代码始终输出 False，torch.__version__ 显示为 2.11.0+cpu。

原因分析：

1. 旧版本残留：base 环境里之前安装过 CPU 版 PyTorch，pip 命令没有覆盖成功，Python 优先读取了旧版本。
2. 源解析异常：虽然用了 --index-url 指定了 PyTorch 官方 CUDA 源，但 pip 可能会回退到 PyPI 源，自动下载默认的 CPU 版。

解决方法：

• 创建全新虚拟环境：避免 base 环境的包污染。

• conda create -n torch_gpu python=3.12 -y
  conda activate torch_gpu

• 强制指定版本安装：在新环境里，用带版本号的完整命令安装，确保下载到 GPU 版。

• pip install torch==2.11.0 torchvision==0.26.0 torchaudio==2.11.0 --index-url https://download.pytorch.org/whl/cu128 --force-reinstall

坑点 2：安装命令卡在 Solving environment 一动不动

现象：使用 conda install 命令安装 PyTorch 时，终端卡在 Solving environment 环节，Ctrl+C 也无法停止。

原因分析：

• Conda 的依赖解析效率低，加上国内网络环境不稳定，很容易陷入死循环。
• 多个镜像源同时启用，导致渠道优先级混乱。

解决方法：

• 直接放弃 conda，改用 pip 安装：这是 PyTorch 官方推荐，也是目前最稳定、最快的方式。
• 如果必须用 conda：加上 --no-deps 参数跳过依赖解析，或者使用国内源简化命令。

---

坑点 3：pip 安装出现 dependency conflicts 依赖冲突

现象：安装过程中，终端报出大量红色错误，提示 numpy、pillow 等库版本不兼容。

原因分析：

• PyTorch 安装时会升级 numpy 等依赖库的版本，和你环境中已安装的旧版本库（如 gensim、streamlit）产生冲突。

解决方法：

• 忽略报错，直接验证 PyTorch：只要最后一行显示 Successfully installed torch-2.11.0+cu128，说明 GPU 版 PyTorch 已经安装成功，这些冲突不影响 PyTorch 使用。
• 降级依赖库：如果需要用到冲突的库，可以手动降级它们的版本，或者在新的虚拟环境中安装 PyTorch，避免互相干扰。

三、最终验证：确认 GPU 版 PyTorch 安装成功

在你的虚拟环境里，运行以下代码，必须全部通过才算成功：

import torch

print("PyTorch 版本:", torch.__version__)
print("CUDA 版本:", torch.version.cuda)
print("是否可用 GPU:", torch.cuda.is_available())
print("GPU 数量:", torch.cuda.device_count())
print("GPU 型号:", torch.cuda.get_device_name(0))

正确输出示例：

四、写在最后：给新手的避坑建议

1. 不要在 base 环境里乱装东西：这是所有问题的根源。养成使用虚拟环境的好习惯，每个项目一个环境，干净又清爽。
2. 优先用 pip 安装 PyTorch：官方源 + 国内镜像加速，比 conda 稳定得多，也不容易卡住。
3. 遇到报错先看版本号：PyTorch 后面的 +cpu 或 +cu128 是关键，+cpu 说明你装错了，+cu128 才是正确的 GPU 版。
4. 遇到问题别慌，善用搜索：你遇到的 99% 的问题，别人早就遇到过了，Stack Overflow 和 PyTorch 论坛上都有现成的解决方案。

希望这篇博客能帮你少走弯路，顺利搭好你的 PyTorch GPU 环境！