全网最贴心的深度学习环境搭建指南，不管你是集成显卡还是NVIDIA独显，都能在这里找到正确的安装姿势。

目录

1. 纠正一个致命的误区

2. 第一步：看清你的显卡

3. 集显用户专属：PyTorch CPU版安装   集显直接看第三步

4. 独显用户：从零配置GPU环境
   4.1 安装NVIDIA驱动（这一步必须对）
   4.2 极简安装方案（推荐90%的用户）
   4.3 完整手动配置CUDA + cuDNN（开发者必看）

5. 验证安装：三行代码定乾坤

6. 常见大坑与排错指南

7. 结语

---

一、纠正一个致命的误区

很多刚入门的小伙伴看到标题“集显安装PyTorch GPU版”可能会一愣——集成显卡能不能用CUDA？答案是不能，永远不能。

CUDA是NVIDIA公司推出的并行计算平台和编程模型，只能在NVIDIA独立显卡（GTX/RTX/Quadro/Tesla等）上运行。如果你笔记本或台式机只有Intel核显或AMD集显，那么很遗憾，CUDA这条路走不通。

但这不代表你不能用PyTorch！ PyTorch贴心地提供了CPU版本，虽然没有GPU加速，但学习、跑小模型完全够用。而且，如果你有NVIDIA独显（大部分游戏本和台式机都有），那么恭喜你，本文将手把手带你完成从零到完美GPU加速的全流程。
 

所以本文的逻辑是：

• 先教你看清自己电脑是什么显卡

• 集成显卡 → 走CPU版安装，10分钟搞定

• NVIDIA独显 → 提供两条路：极简pip安装（无需手动装CUDA/cuDNN） 和 完整手动配置（适合需要nvcc编译、多版本管理的开发者）

看完这篇，环境问题再也难不住你。

---

二、第一步：看清你的显卡

在Windows下，按下 Ctrl + Shift + Esc 打开任务管理器，切换到“性能”标签页，看左侧有没有“GPU 0”、“GPU 1”等。

AMD的显卡不能安装GPU版本的pytorch除非是linux系统不在讨论范围

• 如果看到“NVIDIA GeForce ...”字样，说明你有NVIDIA独显，继续看第三部分。

• 如果只看到“Intel HD Graphics”或“AMD Radeon(TM) Graphics”，没有NVIDIA字样，那就是集显，直接跳转到第三部分CPU版安装，别犹豫。

更准确的方法是命令行：按 Win + R 输入 cmd 打开终端，确定

执行：

nvidia-smi

如果出现一个带显卡名称、驱动版本、CUDA版本信息的表格，说明驱动已装且识别独显。如果提示“不是内部或外部命令”，我这边是AMD显卡所以只能安装CPU版本即可， 说明要么没有NVIDIA显卡，要么驱动没装（或没装好）。别急，接下来会覆盖。

---

三、集显用户专属：PyTorch CPU版安装

确认自己只有集显后，不需要折腾任何CUDA，直接安CPU版，轻量快速。

1. 安装Anaconda（可选但推荐）
   下载anaconda
    

2. 或者去 Anaconda官网 下载Windows安装包，一路下一步，勾选“Add Anaconda to my PATH environment variable”（安上后在开始菜单栏，通过Anaconda Prompt操作）。安装完成后打开“Anaconda Prompt”。

1. 命令

   conda create -n pytorch_cpu python=3.9
   conda activate pytorch_cpu
   pip install torch torchvision torchaudio

2. 如果不使用conda，直接用已经安装上的Python也行，命令一样。

           pip install torch torchvision torchaudio

1. 验证

   import torch
   print(torch.__version__)        # 应输出类似 2.x.x+cpu
   print(torch.cuda.is_available()) # False，正常

   看到 False 别慌，这就是CPU版的特征。你可以愉快地开始学习了。

CPU版本到此就结束后面别看了

 

四、独显用户：从零配置GPU环境

成功跑起GPU版的关键，在于 驱动 → CUDA → PyTorch 这三者的版本兼容。我见过太多倒在版本不匹配上的惨案，所以这一节请认真看。

4.1 安装/更新NVIDIA驱动

打开 NVIDIA驱动下载页 ，根据你的显卡型号和系统选择驱动。如果不确定型号，可以下个“GeForce Experience”自动检测。
注意： 一定要安装 Game Ready 驱动 或 Studio 驱动，版本至少457.00以上（实际上现在新驱动都500+了，基本都满足）。安装时选择“自定义” → 勾选“执行清洁安装”，避免旧驱动残留。

装完后重启电脑，再次打开CMD终端运行 nvidia-smi，应该能看到类似：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 536.23       Driver Version: 536.23       CUDA Version: 12.2     |
|-------------------------------+----------------------+----------------------+

这里显示的 CUDA Version: 12.2 是驱动支持的最高CUDA版本，不代表你安装了CUDA Toolkit，只是告诉你驱动程序能支持的CUDA上限。我们接下来安装的CUDA Toolkit版本必须 ≤ 这个数字。例如图中是12.2，那你可以装CUDA 12.2, 12.1, 11.8等，但不能装12.3。

4.2 极简安装方案（无需手动CUDA/cuDNN）

原理： PyTorch官方发布的pip包已经内部包含了所需的CUDA库和cuDNN，我们只需一个合适的驱动，再加上一条pip命令，就能完成全部GPU环境。

首先使用anaconda创建环境，没有的下载anaconda安装一下

conda create -n torch_gpu python=3.9

然后激活环境

        conda activate torch_gpu

然后安装带有CUDA的torch就可以了

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

后面的cu118就是下载适配CUDA11.8的  你要下载CUDA12.8的就把数字118改成128
现在新版本的几乎都已经更新到128版本了。

搞定！ 直接第五节验证。

---

五、验证安装：三行代码定乾坤

无论你用的是极简方案还是完整手动，打开Python（确保在对应虚拟环境下）输入：

python

输入命令

import torch
print(torch.__version__)          # 如 2.1.1+cu118
print(torch.cuda.is_available())  # True ！！！ 看到这个就是胜利

---

恭喜你，看完这篇文章，你不仅搞清楚了集显和独显的区别，还掌握了两种截然不同的PyTorch环境搭建方法。。如果这篇文章帮到了你，希望能给个三连（点赞+收藏+关注），你的支持是我继续输出高质量教程的最大动力。