1. 为什么你的PyTorch总是装成CPU版？

每次看到torch.cuda.is_available()返回False的时候，是不是特别想砸键盘？我当年第一次配置PyTorch-GPU环境时，连续失败了5次，最后发现是cudatoolkit版本选错了。Windows下的环境配置就像玩俄罗斯方块，任何一个环节没对齐就会全盘崩溃。

这里有个真实案例：我的同事小李为了跑一个目标检测模型，照着某博客安装了最新版PyTorch 2.0，结果训练速度比CPU还慢。后来用nvidia-smi一看，GPU使用率始终是0%。这就是典型的"假GPU"安装——表面上装的是GPU版本，实际调用的却是CPU计算资源。

关键问题往往出在三个地方：

• CUDA驱动版本与cudatoolkit版本不匹配
• Python解释器位数不对（必须64位）
• Conda环境混用了pip和conda的安装命令

2. 精准版本匹配四步法

2.1 查清显卡底细

首先右键桌面空白处，打开"NVIDIA控制面板"（没有的话说明驱动都没装对）。点击左下角"系统信息"，在"组件"标签里找到"NVCUDA64.DLL"对应的CUDA版本。比如显示"11.6.55"，那么你之后安装的cudatoolkit就不能超过11.6。

有个坑我踩过：笔记本双显卡用户要特别注意！一定要确保PyTorch跑在独立显卡上。可以用这个命令验证：

import torch
print(torch.cuda.get_device_name(0))  # 应该显示你的NVIDIA显卡型号

2.2 Conda环境搭建技巧

建议专门为PyTorch创建隔离环境，避免包冲突。这里推荐用Python 3.8，因为大多数PyTorch版本都兼容：

conda create -n pytorch_gpu python=3.8
conda activate pytorch_gpu

千万注意：不要在这个环境里混用pip和conda安装PyTorch！这会导致库文件混乱。我建议全程使用conda，虽然下载速度慢点，但稳定性高很多。

2.3 版本对照表实操

打开PyTorch官网的"Previous Versions"页面，这里有个重要技巧：看"Build Version"而不是"Version"。比如：

PyTorch 1.12.1 → cudatoolkit=11.6 → python=3.8

对应的安装命令应该是：

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.6 -c pytorch

如果网速太慢，可以尝试添加清华源（但有时会有同步延迟问题）：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

2.4 终极验证方案

安装完成后，运行这个测试脚本：

import torch
print(torch.__version__)  # 应该显示你安装的版本
print(torch.cuda.is_available())  # 必须返回True
print(torch.rand(10).to('cuda'))  # 应该显示tensor在GPU上

如果还是False，试试这个核武器级别的排查命令：

python -c "import torch; print(torch._C._cuda_getCompiledVersion(), torch._C._cuda_getRuntimeVersion())"

这两个版本号必须一致，否则说明编译时和运行时的CUDA版本不匹配。

3. 常见翻车现场救援指南

3.1 错误：Could not load library cudnn_cnn_infer64_8.dll

这个问题我上周刚帮学弟解决过。根本原因是cuDNN没正确配置。解决方法：

1. 去NVIDIA官网下载对应版本的cuDNN
2. 将压缩包里的bin、include、lib文件夹直接复制到CUDA安装目录（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6）
3. 记得把cuDNN的bin路径添加到系统环境变量PATH

3.2 错误：Torch not compiled with CUDA enabled

出现这个说明你装的是纯CPU版本。赶紧用这个命令卸载重装：

conda uninstall pytorch torchvision torchaudio
conda install pytorch torchvision torchaudio cudatoolkit=11.6 -c pytorch

注意观察安装过程中的包名，必须包含"cuda"字样而不是"cpu"。

3.3 玄学问题：时而True时而False

这种情况多半是多个Python环境打架了。用这个命令查看torch实际安装路径：

import torch
print(torch.__file__)

确保路径是在你创建的conda环境里，而不是全局Python或者别的虚拟环境。

4. 性能调优小技巧

4.1 让GPU火力全开

在代码开头加上这些配置：

torch.backends.cudnn.benchmark = True  # 自动优化卷积算法
torch.set_float32_matmul_precision('high')  # 启用TensorCore加速

4.2 内存优化配置

对于小显存显卡（比如6GB的GTX 1060），建议开启内存节省模式：

os.environ['PYTORCH_CUDA_ALLOC_CONF'] = 'max_split_size_mb:32'

4.3 多GPU数据并行

如果你壕无人性地装了多块显卡，可以这样利用：

model = torch.nn.DataParallel(model, device_ids=[0,1,2])

但要注意batch size要相应增大，否则可能反而变慢。

经过这些年的折腾，我总结出一条铁律：PyTorch-GPU安装就像做化学实验，必须严格遵循"配方"。现在我的团队都用这套方法配置环境，再没出现过"假GPU"的情况。最近帮一个研究所配置了20台深度学习工作站，全部一次成功，所长说这效率比他们之前快了三倍。