企业官网建设流程全解析

Windows下RTX 5070安装PyTorch GPU完整教程：Python 3.11 + PyTorch 2.8.0 + CUDA 12.9

1. 前言

最近在一台搭载NVIDIA GeForce RTX 5070的 Windows 电脑上重新配置 PyTorch GPU 深度学习环境。

最终成功配置如下：

操作系统：Windows 11 64位 GPU：NVIDIA GeForce RTX 5070 Conda环境：pytorchgpu Python：3.11.16 PyTorch：2.8.0+cu129 PyTorch CUDA Runtime：CUDA 12.9 CUDA可用：True

最终验证结果：

importtorchprint(torch.__version__)print(torch.cuda.is_available())print(torch.cuda.get_device_name(0))

输出：

2.8.0+cu129 True NVIDIA GeForce RTX 5070

这意味着：

PyTorch已经成功通过CUDA调用RTX 5070。

不过整个安装过程中踩了几个非常典型的坑：

1. Conda创建Python 3.11环境失败；
2. 普通CMD中Conda环境出现“假激活”；
3. cp311版本的PyTorch wheel提示不支持；
4. 命令行明明显示(pytorchgpu)，实际却仍然运行Python 3.13；
5. 最终切换到真正的Python 3.11环境后，PyTorch和CUDA才正常工作。

本文重点记录第三部分：

如何正确安装PyTorch GPU，并判断CUDA和显卡是否真正可用。

2. 为什么要单独创建Python 3.11环境？

本机Anaconda的base环境中Python版本为：

Python 3.13.9

虽然较新的PyTorch版本已经逐渐支持Python 3.13，但在科研和深度学习环境中，我更倾向于使用一个相对独立、兼容性较好的Python环境。

因此创建：

pytorchgpu

并安装：

Python 3.11.16

最终环境路径为：

C:\Users\用户名\.conda\envs\pytorchgpu

成功进入环境后：

python--version

输出：

Python 3.11.16

后续所有PyTorch相关软件包都安装到这个环境中。

3. 首先理解一个关键问题：CUDA、Python和PyTorch是什么关系？

很多刚开始配置GPU环境的人容易产生一个误解：

CUDA 12.9是不是只能配某一个固定Python版本？

实际上并不是。

Python和CUDA之间通常不是直接绑定的。

真正需要匹配的是：

Python版本 ↓ PyTorch版本 ↓ PyTorch对应的CUDA构建版本 ↓ NVIDIA显卡驱动 ↓ GPU

例如本文最终使用：

Python 3.11.16 + PyTorch 2.8.0 + cu129 + RTX 5070

其中：

cu129

表示：

CUDA 12.9

所以：

torch 2.8.0+cu129

可以理解成：

PyTorch 2.8.0的CUDA 12.9版本。

4. 不要把nvidia-smi中的CUDA版本和PyTorch CUDA版本混为一谈

执行：

nvidia-smi

通常会看到类似：

CUDA Version: xx.x

需要特别注意：

nvidia-smi显示的CUDA Version主要表示当前NVIDIA驱动支持的最高CUDA兼容能力之一，并不意味着PyTorch必须安装完全相同的CUDA版本。

例如显卡驱动可能显示：

CUDA Version: 13.x

但PyTorch仍然可以安装：

cu129

只要当前显卡驱动足够新，能够兼容PyTorch所需要的CUDA Runtime即可。

因此不要简单理解成：

nvidia-smi显示13.x ↓ PyTorch必须安装cu13x

这并不正确。

5. PyTorch wheel文件名到底是什么意思？

本文下载的PyTorch文件为：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

第一次看到这个文件名可能比较复杂，其实可以拆成几部分：

torch │ ├── 2.8.0 │ ├── +cu129 │ ├── cp311 │ ├── cp311 │ └── win_amd64

分别代表：

2.8.0

PyTorch版本：

PyTorch 2.8.0

cu129

代表CUDA构建版本：

CUDA 12.9

因此：

2.8.0+cu129

就是：

PyTorch 2.8.0 + CUDA 12.9。

6. cp311是什么意思？

这一点非常重要。

文件名中的：

cp311

表示：

CPython 3.11

类似地：

cp310 → Python 3.10 cp311 → Python 3.11 cp312 → Python 3.12 cp313 → Python 3.13

所以：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

要求使用：

Python 3.11

如果当前实际运行的是Python 3.13，就不能直接安装这个wheel。

7. win_amd64又是什么意思？

最后：

win_amd64

表示：

Windows 64位

这里的amd64并不是说：

只有AMD处理器才能安装。

它实际上代表Windows x86-64架构。

因此Intel或AMD的普通64位Windows电脑都可以使用。

综合起来：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

可以解释为：

PyTorch 2.8.0 + CUDA 12.9 + CPython 3.11 + Windows 64位。

8. 本次第一次安装为什么失败？

进入下载目录后执行：

pip install "torch-2.8.0+cu129-cp311-cp311-win_amd64.whl"

结果出现：

ERROR: torch-2.8.0+cu129-cp311-cp311-win_amd64.whl is not a supported wheel on this platform.

同时还出现：

Defaulting to user installation because normal site-packages is not writeable

一开始很容易怀疑：

PyTorch版本不对？ CUDA 12.9不支持？ RTX 5070不支持？ wheel下载错了？ Windows版本不支持？

但最后发现：

这些都不是根本原因。

9. 真正原因：当前实际上运行的是Python 3.13

虽然CMD前面显示：

(pytorchgpu)

但执行：

python

却得到：

Python 3.13.9 | packaged by Anaconda, Inc.

进一步执行：

where python

得到：

D:\ruanjian\anaconda\python.exe

说明实际调用的是：

Anaconda base环境 Python 3.13.9

而不是刚刚创建的：

pytorchgpu Python 3.11.16

于是实际情况变成：

下载的wheel： cp311 ↓ 要求Python 3.11 当前实际Python： 3.13.9 结果： 版本不兼容 ↓ not a supported wheel on this platform

这就是第一次安装失败的真正原因。

10. 不要只看命令行前面的环境名称

这是整个安装过程中非常重要的经验。

即使终端显示：

(pytorchgpu)

也最好执行：

python --version

确认Python版本。

再执行：

where python

确认解释器路径。

例如本文正确环境应该是：

Python 3.11.16

并且Python路径应该类似：

C:\Users\用户名\.conda\envs\pytorchgpu\python.exe

如果看到：

D:\ruanjian\anaconda\python.exe

说明实际还是base环境。

所以：

终端前缀只是一种提示，真正决定环境的是当前调用的python.exe。

11. 正确进入PyTorch环境

由于普通CMD中的Conda激活存在异常，本次最终使用：

Anaconda PowerShell Prompt

执行：

conda activate pytorchgpu

然后检查：

python--version

输出：

Python 3.11.16

进一步进入Python：

python

显示：

Python 3.11.16 | packaged by conda-forge

至此可以确认：

当前真正进入了Python 3.11的pytorchgpu环境。

12. 推荐使用python -m pip安装，而不是直接pip

在多Python环境电脑上，推荐使用：

python-m pip install xxx

而不是：

pip install xxx

原因是：

pip install

依赖Windows PATH寻找：

pip.exe

如果电脑中同时存在：

Python 3.13 Python 3.11 Anaconda Conda虚拟环境

就可能找到错误的pip。

而：

python-m pip

表示：

使用当前这个Python解释器所对应的pip。

因此更加可靠。

13. 安装本地PyTorch wheel

首先进入下载目录：

cd"F:\edge浏览器下载的内容"

确认：

python--version

输出：

Python 3.11.16

然后安装：

python-m pip install"torch-2.8.0+cu129-cp311-cp311-win_amd64.whl"

由于此时：

当前Python：3.11.16 wheel：cp311 系统：Windows 64位

三者完全匹配，因此可以正常安装。

14. 安装torchvision

对应的torchvision文件为：

torchvision-0.23.0+cu129-cp311-cp311-win_amd64.whl

同样执行：

python-m pip install"torchvision-0.23.0+cu129-cp311-cp311-win_amd64.whl"

这样PyTorch和torchvision保持对应版本。

本文最终组合为：

torch 2.8.0+cu129 torchvision 0.23.0+cu129

15. 如果不想手动下载wheel怎么办？

也可以直接使用PyTorch对应软件源在线安装。

基本形式为：

python-m pip install torch torchvision torchaudio--index-url <对应的PyTorch CUDA软件源>

在线安装的优点是：

pip会根据当前Python版本和操作系统选择对应wheel。

因此可以减少手动下载：

cp311 cp312 cp313

错误版本的概率。

如果网络环境不稳定，手动下载wheel后本地安装也完全可以。

16. 安装完成后第一步：检查PyTorch版本

进入Python：

python

然后：

importtorch

首先检查：

print(torch.__version__)

本文输出：

2.8.0+cu129

这里非常关键。

如果只显示：

2.8.0

还需要进一步确认具体安装包。

本文：

2.8.0+cu129

明确说明当前安装的是：

PyTorch 2.8.0 CUDA 12.9构建。

17. 第二步：检查CUDA是否可用

执行：

print(torch.cuda.is_available())

本文得到：

True

这是PyTorch GPU环境最核心的检测之一。

如果输出：

True

说明：

PyTorch已经能够正常访问CUDA设备。

如果输出：

False

则需要继续检查：

是否安装CPU版PyTorch NVIDIA驱动是否正常 GPU是否被系统识别 PyTorch CUDA构建是否正确 环境是否装错

18. 第三步：检查PyTorch识别到了哪张显卡

执行：

print(torch.cuda.get_device_name(0))

本文输出：

NVIDIA GeForce RTX 5070

这一步非常重要，因为它说明：

PyTorch不仅检测到了CUDA，而且已经成功识别实际GPU设备。

最终验证结果：

>>>importtorch>>>print(torch.__version__)2.8.0+cu129>>>print(torch.cuda.is_available())True>>>print(torch.cuda.get_device_name(0))NVIDIA GeForce RTX5070

到这里就可以认为：

RTX 5070的PyTorch GPU环境已经完整打通。

19. 还可以进行更完整的GPU检测

除了上面三条，还可以执行：

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

预期结果类似：

PyTorch版本： 2.8.0+cu129 CUDA是否可用： True PyTorch CUDA版本： 12.9 GPU数量： 1 当前GPU： NVIDIA GeForce RTX 5070

这比只看：

torch.cuda.is_available()

更加完整。

20. 进一步测试：真正创建一个CUDA Tensor

有时候仅仅检查：

torch.cuda.is_available()

还不够直观。

可以直接创建一个GPU Tensor：

importtorch x=torch.randn(3,3).cuda()print(x)print(x.device)

如果最后显示：

cuda:0

说明这个Tensor已经真实存放在GPU显存中。

也可以写成：

device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")x=torch.randn(3,3).to(device)print(x.device)

输出：

cuda:0

这就是更加直接的CUDA运行测试。

21. 深度学习代码中怎么让模型使用RTX 5070？

以后自己的PyTorch代码中推荐这样写：

importtorch device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")print("当前设备：",device)

然后将模型放到GPU：

model=model.to(device)

数据也要放到相同设备：

x=x.to(device)y=y.to(device)

例如：

forx,yintrain_loader:x=x.to(device)y=y.to(device)output=model(x)

只要：

torch.cuda.is_available()

为：

True

这里：

device

就会自动选择：

cuda

也就是RTX 5070。

22. 一个非常容易误解的问题：必须安装本地CUDA Toolkit吗？

很多人认为：

使用PyTorch GPU之前，一定要先安装和PyTorch完全相同版本的CUDA Toolkit。

实际上对于PyTorch官方提供的CUDA wheel来说，并不总是如此。

例如：

torch-2.8.0+cu129

本身已经带有运行PyTorch所需的一套CUDA相关运行时依赖。

因此对于普通PyTorch训练任务，更核心的是：

正确的NVIDIA显卡驱动 + 正确的PyTorch CUDA构建

而不是：

系统必须另外安装一个完全相同版本的CUDA Toolkit。

只有在一些特殊场景，例如：

编译自定义CUDA扩展 CUDA C/C++开发 某些第三方库需要nvcc

时，本地CUDA Toolkit才更加重要。

所以：

torch.version.cuda

和：

nvcc --version

反映的并不一定是同一个东西。

23. PyTorch中的cu129和系统CUDA不是同一个概念

假设：

print(torch.version.cuda)

输出：

12.9

表示：

当前PyTorch是基于CUDA 12.9相关运行时构建的。

而执行：

nvcc --version

显示的是：

本机安装的CUDA Toolkit编译器版本。

执行：

nvidia-smi

看到的：

CUDA Version

主要和当前NVIDIA驱动支持能力有关。

因此三个地方的CUDA版本：

nvidia-smi nvcc --version torch.version.cuda

出现不同数字，并不一定意味着环境有问题。

这是配置PyTorch时非常容易混淆的一点。

24. 常见错误一：not a supported wheel on this platform

如果出现：

xxx.whl is not a supported wheel on this platform

优先检查：

python --version

以及：

where python

然后查看wheel名称。

例如：

cp311

必须对应：

Python 3.11

如果实际Python是：

3.13

就会直接不兼容。

25. 常见错误二：环境名前面显示正确，但Python版本不对

例如：

(pytorchgpu) C:\Users\xxx>

看起来进入了环境。

但：

python --version

却是：

Python 3.13.9

这种情况下不要继续安装任何包。

一定继续检查：

where python

真正激活后应该指向：

...\envs\pytorchgpu\python.exe

26. 常见错误三：torch.cuda.is_available()返回False

如果：

torch.cuda.is_available()

返回：

False

可以按照以下顺序排查：

1. nvidia-smi能否识别显卡 ↓ 2. torch.__version__是什么 ↓ 3. 是否安装了CUDA版PyTorch ↓ 4. torch.version.cuda是否有值 ↓ 5. 当前Python是否来自正确环境 ↓ 6. 是否误装了CPU版torch

例如：

print(torch.__version__)print(torch.version.cuda)

如果：

torch.version.cuda

为：

None

通常需要重点怀疑安装的是CPU构建。

27. 常见错误四：pip把库装到了错误的Python中

如果电脑中存在多个Python：

Python 3.13 Python 3.11 Conda base Conda pytorchgpu

不建议只执行：

pip install xxx

建议：

python -m pip install xxx

还可以提前检查：

python -m pip --version

确保路径中包含：

pytorchgpu

28. 普通CMD不能正常activate怎么办？

即使普通CMD中的：

conda activate pytorchgpu

存在问题，也不是不能安装软件包。

可以执行：

conda run -n pytorchgpu python -m pip install numpy

或者直接指定Python：

"C:\Users\用户名\.conda\envs\pytorchgpu\python.exe" -m pip install numpy

因此：

使用PyTorch并不是只能依赖Anaconda PowerShell Prompt。

只要最终调用的是正确解释器即可。

不过如果Anaconda PowerShell Prompt可以正常激活，日常使用它通常最省心。

29. 本次完整安装逻辑

整个流程可以总结成：

RTX 5070 ↓ 安装/确认NVIDIA显卡驱动 ↓ 创建Conda独立环境 ↓ Python 3.11.16 ↓ 确认python --version ↓ 确认Python解释器路径 ↓ 安装torch 2.8.0+cu129 ↓ 安装torchvision 0.23.0+cu129 ↓ import torch ↓ torch.__version__ 2.8.0+cu129 ↓ torch.cuda.is_available() True ↓ torch.cuda.get_device_name(0) NVIDIA GeForce RTX 5070 ↓ GPU环境配置成功

30. 推荐的最终验证代码

环境安装结束后，可以保存下面代码为：

test_gpu.py

内容：

importtorchprint("="*50)print("PyTorch GPU Environment Check")print("="*50)print(f"PyTorch version :{torch.__version__}")print(f"CUDA available :{torch.cuda.is_available()}")print(f"PyTorch CUDA :{torch.version.cuda}")print(f"GPU count :{torch.cuda.device_count()}")iftorch.cuda.is_available():print(f"GPU name :{torch.cuda.get_device_name(0)}")device=torch.device("cuda")x=torch.randn(3,3,device=device)print(f"Tensor device :{x.device}")print("GPU test : SUCCESS")else:print("GPU test : FAILED")print("="*50)

执行：

python test_gpu.py

如果得到类似：

PyTorch version : 2.8.0+cu129 CUDA available : True PyTorch CUDA : 12.9 GPU count : 1 GPU name : NVIDIA GeForce RTX 5070 Tensor device : cuda:0 GPU test : SUCCESS

说明PyTorch GPU环境已经真正可以使用。

31. 本次最终配置

最终成功环境：

Conda环境： pytorchgpu Python： 3.11.16 PyTorch： 2.8.0+cu129 CUDA Runtime： 12.9 GPU： NVIDIA GeForce RTX 5070 torch.cuda.is_available()： True

也就是：

Python 3.11 ↓ PyTorch 2.8.0 ↓ CUDA 12.9 Runtime ↓ NVIDIA RTX 5070 ↓ GPU深度学习环境成功

32. 总结

这次配置过程中最值得记住的并不是某一条安装命令，而是以下几个原则。

第一：

下载PyTorch wheel时一定要看Python版本。

例如：

cp311 → Python 3.11 cp312 → Python 3.12 cp313 → Python 3.13

第二：

终端显示(pytorchgpu)并不能替代Python版本检查。

始终建议执行：

python --version

以及：

where python

第三：

安装Python软件包建议使用python -m pip。

例如：

python -m pip install xxx

第四：

不要简单要求nvidia-smi、本地CUDA Toolkit和PyTorch CUDA版本三个数字完全一致。

它们代表的概念并不完全相同。

第五：

判断PyTorch GPU是否真正成功，最有说服力的是运行结果。

本文最终结果：

print(torch.__version__)

输出：

2.8.0+cu129

print(torch.cuda.is_available())

输出：

True

print(torch.cuda.get_device_name(0))

输出：

NVIDIA GeForce RTX 5070

这三个结果同时成立，说明：

Python 3.11 → PyTorch 2.8.0 → CUDA 12.9 → RTX 5070这条GPU计算链已经完整打通。

附：常用检查命令

检查Python：

python --version

检查Python路径：

where python

检查pip：

python -m pip --version

检查NVIDIA显卡：

nvidia-smi

检查PyTorch版本：

importtorchprint(torch.__version__)

检查PyTorch CUDA Runtime：

print(torch.version.cuda)

检查CUDA：

print(torch.cuda.is_available())

检查GPU：

print(torch.cuda.get_device_name(0))

检查GPU数量：

print(torch.cuda.device_count())

创建GPU Tensor：

x=torch.randn(3,3,device="cuda")print(x.device)

如果最终得到：

cuda:0

并且：

NVIDIA GeForce RTX 5070

那么恭喜你：

PyTorch GPU环境已经配置完成，可以正式开始模型训练。