1. 为什么你的PyTorch GPU环境总是安装失败？

每次看到别人跑深度学习模型嗖嗖的，自己却卡在环境安装这一步？别急，这可能是你还没摸清PyTorch GPU环境的门道。我见过太多新手在CUDA版本、驱动兼容性这些坑里反复横跳，最后只能对着报错信息干瞪眼。

PyTorch GPU环境的核心就三个部件：显卡驱动、CUDA工具包和cuDNN库。它们就像三层蛋糕，底层没烤好上层就会塌。最常见的就是用着最新版PyTorch，却装了老旧的CUDA 10.1，这时候torch.cuda.is_available()永远返回False的绝望，懂的都懂。

去年帮学弟调试环境时遇到个典型问题：他的RTX 3060显卡明明支持CUDA 11.x，却硬要装CUDA 10.2的PyTorch。结果不仅性能折半，还频繁出现内存错误。后来发现PyTorch官网的安装命令会自动匹配CUDA版本，根本不需要手动指定旧版本。

2. 显卡驱动的正确打开方式

2.1 检查你的硬件底牌

先打开终端跑这条命令看看你的显卡型号：

nvidia-smi

如果连这个命令都报错，说明要么没装驱动，要么用的核显。我的RTX 3090会显示这样的信息：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 515.65.01    Driver Version: 515.65.01    CUDA Version: 11.7     |
|-------------------------------+----------------------+----------------------+

这里藏着两个关键信息：当前驱动版本（515.65.01）和最高支持的CUDA版本（11.7）。记住这个CUDA Version只是驱动能支持的最高版本，不代表已经安装了CUDA。

2.2 驱动安装的玄学问题

官网下载驱动时有个隐藏技巧：不要选Game Ready驱动，要选Studio驱动。后者对深度学习框架的优化更稳定。去年测试发现，同样的PyTorch版本，Studio驱动比Game Ready驱动在ResNet50推理上快出15%。

装完驱动一定要重启！我见过不下十个案例是因为没重启导致nvidia-smi报错。还有个冷知识：Windows系统里，驱动安装失败可能是因为开了"快速启动"，这个功能会让驱动加载不完整。

3. CUDA工具包的量子纠缠

3.1 版本选择的蝴蝶效应

PyTorch官网的版本对照表就像天书，其实规律很简单：看版本号的第二位。比如PyTorch 1.12需要CUDA 11.6，1.13就需要CUDA 11.7。有个邪门现象是CUDA 11.3特别容易出问题，社区里都戏称它是"被诅咒的版本"。

实测发现CUDA工具包不用装最新版。我的工作机上同时装了CUDA 11.6和11.7，通过软链接切换。关键是要和PyTorch预编译版本匹配，用这条命令查兼容性：

nvcc --version

3.2 多版本共存的魔术

在/etc/profile里添加这些变量，可以无缝切换CUDA版本：

export PATH=/usr/local/cuda-11.7/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.7/lib64:$LD_LIBRARY_PATH

有次在阿里云上遇到个奇葩问题：系统预装了CUDA 10.0，但PyTorch需要11.6。直接装新版本会导致yum崩溃。最后是用alternatives命令创建符号链接才解决：

sudo update-alternatives --install /usr/local/cuda cuda /usr/local/cuda-11.7 100

4. cuDNN的安装黑科技

4.1 压缩包解压的陷阱

下载cuDNN要注册NVIDIA开发者账号，这个步骤卡住过90%的新手。解压时很多人直接双击，结果发现找不到库文件。正确姿势是：

tar -xzvf cudnn-11.7-linux-x64-v8.5.0.96.tgz
sudo cp cuda/include/* /usr/local/cuda-11.7/include/
sudo cp cuda/lib64/* /usr/local/cuda-11.7/lib64/

记得用sudo ldconfig更新链接库。去年帮人debug时发现，Ubuntu 22.04默认的openssl版本会跟cuDNN冲突，需要降级到1.1.1版本。

4.2 验证安装的骚操作

别再用老套的deviceQuery了，试试这个暴力测试：

import torch
x = torch.randn(10000, 10000).cuda()
torch.mm(x, x)  # 触发cublas库加载

如果这能跑通，说明CUDA和cuDNN的协作没问题。有次发现这个测试通过了但训练时仍报错，最后查出是cuBLAS版本不匹配。

5. Conda环境管理的军规

5.1 镜像源的速度玄学

清华源有时候比官方源还慢，这时候可以试试阿里云镜像：

conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/
conda config --set show_channel_urls yes

创建环境时用这个命令可以避免依赖地狱：

conda create -n pytorch_gpu python=3.9 pytorch torchvision cudatoolkit=11.7 -c pytorch -c conda-forge

注意-c pytorch必须放在最后，否则会被镜像源覆盖。

5.2 环境复制的魔法

用这个命令打包环境：

conda env export > environment.yaml

还原时遇到过一个坑：YAML文件里的pip依赖可能带本地路径。需要手动删除所有带file://的条目。

6. PyTorch安装的终极验证

不要相信torch.cuda.is_available()！我见过它返回True但实际计算全走CPU的情况。用这个测试脚本更靠谱：

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"当前设备: {torch.cuda.current_device()}")
print(f"设备名称: {torch.cuda.get_device_name(0)}")

x = torch.randn(3,3).cuda()
y = x @ x.T
print(f"矩阵乘法结果: {y.cpu()}")

如果最后一步报错，可能是cuBLAS没装好。还有个隐藏bug是WSL2环境下，需要额外安装NVIDIA的WSL专用驱动。

7. 离线安装的野路子

内网机器安装时，可以先用有网络的机器下载所有包：

pip download torch torchvision --extra-index-url https://download.pytorch.org/whl/cu117

然后整个文件夹scp到内网机器。遇到过.whl文件在传输后校验失败的情况，解决方案是加个压缩包再传。

8. 云环境的降维打击

Colab现在默认装的是CUDA 11.1，要升级可以这样操作：

!pip install torch==1.13.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

但注意Colab的CUDA驱动是只读的，重启后就会还原。AWS的Deep Learning AMI预装了各种CUDA版本，用module load切换就行。