企业官网建设流程全解析

前阵子一个朋友发消息给我，说照着网上的教程折腾了一下午，PyTorch 终于装上了，结果跑训练时头也不回地跟我说“和 CPU 差不多慢”。我让他先执行一下torch.cuda.is_available()，他发来一个刺眼的False。这种场景我遇到太多次了，几乎每天都有新手卡在 GPU 版 PyTorch 的安装上，而且卡住的理由千奇百怪，从双显卡笔记本识别不到独显，到 Ubuntu 下 CUDA 安装指令报错，再到 WSL 和虚拟机里根本用不了 GPU。其实 GPU 版 PyTorch 安装本身并不复杂，复杂的是安装之前那些概念没理清楚，导致你在错误的方向上反复折腾。这篇东西我就把自己这么多年在 Windows、Ubuntu、WSL2 上装 GPU 版 PyTorch 的经验完整写一遍，该从哪里看驱动、怎么选 CUDA 版本、哪条命令靠谱、报错怎么排查，全部按实际踩坑的顺序来，希望能帮你少走弯路。

1. 安装前必懂：显卡驱动、CUDA、PyTorch 到底各管哪一段

很多人一上来就搜“CUDA 安装教程”，然后对着 NVIDIA 官网的驱动、CUDA Toolkit、cuDNN 一堆名词发懵，装完这个装那个，最后 PyTorch 还是跑不到 GPU 上。问题就在于，你没有先把它们的分工搞清楚。

1.1 为什么双显卡笔记本常让人翻车

热搜词里有一条“显卡有两个intel uhd graphics 和nvidia geforce rtx 4060 laptop gpu”，这种就是典型的双显卡笔记本。Intel UHD Graphics 是核显，负责日常显示和轻度渲染；NVIDIA GeForce RTX 4060 Laptop GPU 是独显，深度学习真正需要的算力就靠它。Windows 系统会自动在两个 GPU 之间切换，平时上网用核显，玩游戏或跑 CUDA 时才调用独显，这本身是省电设计，但也给 PyTorch 安装带来了第一个认知障碍：你打开任务管理器确实能看到两个显卡，但这并不代表独显驱动和 CUDA 环境已经就绪。

我见过不少人在设备管理器里看到“NVIDIA GeForce RTX 4060 Laptop GPU”后面有个黄色感叹号，就以为显卡坏了。其实绝大多数情况只是驱动没装好或者版本不对，系统用了微软的通用驱动顶包，性能完全发挥不出来，PyTorch 也检测不到。所以在开始一切安装前，你先要做的是确认独显驱动真正处于可用状态，这个我放到第 2 节细说。

另外一个容易误导人的点是显卡型号。RTX 4060 Laptop GPU 属于 Ada Lovelace 架构，计算能力是 8.9，也就是我们常说的sm_89。这个数字直接影响你能选哪个 CUDA 版本，因为 CUDA 11.7 及更早的版本不认识sm_89，你就算装上了，PyTorch 也会告诉你“no kernel image is available for execution on the device”，这就等于白装了。RTX 30 系、RTX 20 系、GTX 16 系也有各自的架构代号，后面选 CUDA 版本时要对应上。

1.2 CUDA 版本、显卡驱动、PyTorch 三者的三角关系

这里我用一个简单的类比帮你理清三者关系。显卡驱动是“公路”，修好了才能通车；CUDA 是“加油站和服务区”，提供 PyTorch 运行所需的底层计算接口；PyTorch 是“货车”，要在公路上跑，必须匹配服务区提供的油品。公路修得足够宽、足够新，加油站的规格当然越高越好，但货车只认特定标号的油，标号不匹配，它就不启动。

具体到版本上：显卡驱动是向下兼容的，新版驱动通常支持旧版 CUDA 运行时，但旧驱动往往跑不动新版 CUDA。PyTorch 官方不是直接依赖系统里安装的 CUDA Toolkit，而是在编译时把 CUDA Runtime 库打包进安装包了，所以你在安装 PyTorch 时选的cu118、cu121、cu124这些标签，决定了它期望的 CUDA 运行时版本。这个版本号和驱动之间有个最低要求，比如 CUDA 12.1 需要 Linux 驱动版本不低于 525.60.13，Windows 驱动版本不低于 527.41，这些信息在 NVIDIA 官方文档的 CUDA Support Matrix 里都有。

我个人的习惯是：不看那些复杂的兼容表，直接看nvidia-smi的输出。这个命令在右上角会显示“CUDA Version”，比如CUDA Version: 12.4。这个数字表示你的驱动最多能支持到哪个 CUDA 版本，那么你安装 PyTorch 时选的 cu 版本只要不高于这个数字，基本都能跑。举个例子，nvidia-smi显示 CUDA 12.4，你就可以放心选cu121或者cu124的 PyTorch 包，但要是你选了cu118也没问题，因为驱动向下兼容。反过来，驱动只支持到 CUDA 11.8，你非要装cu124的包，那大概率跑不起来。

1.3 先装驱动还是先装 PyTorch

答案非常明确：先装驱动，再装 PyTorch。一个常见的错误顺序是，有人先装了 PyTorch 的 GPU 版，然后才开始折腾驱动，最后nvidia-smi都跑不出来，自然各种报错。PyTorch 安装后它会去系统里找 NVIDIA 驱动和 CUDA 运行时，找不到就静默退回到 CPU 模式，也就是我开头朋友遇到的情况。

还有个细节：除非你要自己编译 CUDA 扩展（比如安装某些需要源码编译的第三方算子），否则你不需要单独安装完整的 CUDA Toolkit，也不需要手动设置CUDA_HOME环境变量。因为 PyTorch 自带了它依赖的 CUDA Runtime 库，官方的安装命令已经把这些写清楚了。很多人被网上的“老教程”误导，先装了一遍 3GB 的 CUDA Toolkit，结果 PyTorch 还是不能用，反而多了好多环境变量冲突的麻烦。这个认知很重要，能帮你省掉一大半无用功。

如果你确实需要 CUDA Toolkit，比如要装mmcv、apex这类需要 nvcc 编译的库，那么我建议你安装 CUDA Toolkit 时选择与 PyTorch 的 cu 版本一致或相近的版本，例如cuda-12.1，并且在~/.bashrc里配置好路径。这一步可以等真有需求时再补，没必要在装 PyTorch 的第一天就搞。

2. 从显卡到环境：双显卡笔记本和 Python 环境准备清单

这一节是实操前的最后准备，把显卡驱动和 Python 环境这两块地基打好。我按 Windows 和 Linux 两条线来写，因为步骤差异比较大。如果你用 WSL2，我建议你直接看第 4 节，WSL2 有自己特殊的驱动安装逻辑。

2.1 用 nvidia-smi 和系统设置确认独显已在工作

不管什么操作系统，第一步永远是验证 NVIDIA 驱动是否可用。Windows 用户先打开命令行（Win + R，输入cmd），执行：

nvidia-smi

如果正常，你会看到类似如下的输出：右上角是驱动版本和最高支持的 CUDA 版本，下面是当前 GPU 的名称、显存占用、温度、进程等。如果提示nvidia-smi is not recognized或者NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，说明驱动确实有问题。

这种情况可以到 NVIDIA 驱动下载页面输入显卡型号，下载最新的 Game Ready 或 Studio 驱动。安装时有一个选项叫“执行清洁安装”，我建议勾选，它能帮你清掉旧驱动残留，减少后续冲突。装完驱动后记得重启电脑，然后再跑一次nvidia-smi。

Linux 桌面版用户同样先执行nvidia-smi。如果提示找不到命令，可能有几个原因：你还没装 NVIDIA 驱动；驱动装好了但不在 PATH 里。前一种情况可以尝试用显卡驱动 PPA 安装驱动，也可以去 NVIDIA 官网直接下.run文件安装，但这类安装方式有很多坑，比如新内核与驱动模块编译失败、Secure Boot 拦截驱动加载等，我建议新手优先使用发行版仓库推荐的驱动力方案。

还有一个很关键的检查：双显卡笔记本里nvidia-smi能看到独显，但系统默认可能还是用核显在跑。Windows 用户在桌面右键打开“NVIDIA 控制台”，在“管理 3D 设置”里把“首选图形处理器”设为“高性能 NVIDIA 处理器”，这样能避免后续训练时图形负载错误地落到核显上。这不是 PyTorch 能否识别 GPU 的必要条件，但对整机的运行稳定性有帮助。

2.2 用 Anaconda/Miniconda 创建干净环境

PyTorch 安装我强烈建议你在隔离的虚拟环境里做，不要在系统 Python 里直接装，尤其是 Linux 系统自带的 Python 往往牵扯系统组件，贸然升级或安装包容易把系统搞坏。Python 虚拟环境的管理工具，我用下来觉得对新手最友好的是 conda，因为conda不仅能管理 Python 环境，还能处理 CUDA 相关依赖的依赖关系，自动帮你装好 PyTorch 需要的cudatoolkit/pytorch-cuda等组件。

你可以装完整版 Anaconda，也可以装更轻量的 Miniconda。我更推荐 Miniconda，因为 Anaconda 自带的很多预装包你用不上，而且体积大、解析依赖慢。从官网下载对应系统的安装器即可，中间步骤基本一路默认，唯一要注意的是 Windows 安装时会让选择“Add Anaconda to my PATH environment variable”，英文界面下我建议只勾选下面的“Register Anaconda as my default Python”，PATH 让 Anaconda Prompt 自己接管，否则可能和系统里其他 Python 解释器冲突。

安装完成后打开终端（Windows 下如果变量正常，直接开 CMD 或 PowerShell 也行），执行：

conda --version

能正常输出版本号，就说明环境没搭错。

2.3 Python 版本怎么选

PyTorch 对 Python 版本的兼容性近年来越来越好，但还是要避开太新或太旧的版本。我一般建议选 Python 3.9 到 3.11 之间，具体看你的 PyTorch 版本。截至这篇文章写作时，PyTorch 稳定版已经支持 Python 3.12，但一些老牌第三方库（比如某些只有二进制的加速库）可能还没跟上，为了避免不必要的兼容性问题，新手先选 3.10 是最稳的。

创建环境的命令是：

conda create -n torch-gpu python=3.10 -y conda activate torch-gpu

环境名可以自己起，torch-gpu只是示例。激活后你的终端提示符前面应该出现(torch-gpu)，这表示你已经进入一个独立环境，后面所有安装命令都在这个环境里执行。如果后续某个项目依赖冲突，你可以随时conda deactivate离开环境，甚至conda remove -n torch-gpu --all直接删掉重来，完全不影响系统 Python，这就是隔离环境最大的价值。

创建环境时顺便把pip升级一下，因为后面如果用 pip 路线安装，新版 pip 的依赖解析更靠谱：

python -m pip install --upgrade pip

3. 核心安装步骤：选 CUDA 版本、敲命令、跑验证

环境准备就绪后，真正安装 PyTorch 反而只要几分钟。关键是选定一个 CUDA 版本，然后从官方渠道拿到对应的安装命令。我见过很多人卡在版本选择上，这里我把判断流程完整写出来。

3.1 看懂官网安装命令的参数含义

PyTorch 官网首页上有个选择器，依次选你的操作系统、包管理器（Pip 或 Conda）、Python 版本、CUDA 版本，然后页面会生成一条安装命令。这个命令看起来吓人，其实拆开看很直白。

比如 Conda 路线，选 Linux + Conda + Python 3.10 + CUDA 12.1，生成的是：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这里的pytorch-cuda=12.1是关键，它告诉 conda 去 NVIDIA 的频道拉取和 CUDA 12.1 配套的 CUDA Runtime 库，这样 PyTorch 运行时就会使用这个版本的 CUDA 库。-c pytorch -c nvidia指定包的来源渠道，如果你之前的源配置有问题，安装过程中会反复卡在 Resolving Package 上，这个我后面会讲怎么看。

Pip 路线对应的命令是：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

注意--index-url这里指定到了 PyTorch 官方的下载索引，而不是默认的 PyPI。PyPI 上也有名为torch的包，但那个是 CPU 版本，默认安装大概率给你装上不带 CUDA 的版本。这也是我朋友“装上但速度没变化”的另一个常见原因：pip install torch和pip install torch torchvision torchaudio --index-url ...完全是两码事。

那你需要选 CUDA 11.8、12.1 还是 12.4？我给你的决策规则很简单：先看你nvidia-smi右上角的 CUDA Version 支持上限，比如显示 12.4，那你选 12.1 或 12.4 都在安全范围内。再看你的显卡架构，RTX 40 系至少需要 CUDA 11.8 以上，老一些的显卡选 11.8 也很稳。最后考虑生态兼容，现在很多主流开源库（包括一些大语言模型微调工具）已经全面兼容 CUDA 12.x，所以新卡用户我建议直接上 12.1 或者 12.4，没必要守旧。

3.2 Conda 路线与 Pip 路线的取舍

两条路线没有绝对优劣，但适用场景不同。我的个人偏好是这样的：如果是纯新手，不想折腾底层依赖，用 Conda 路线更稳，因为它一层层解析好 PyTorch、CUDA Runtime、cuDNN 这些的版本关系。但 Conda 的历史包袱是依赖解析慢，有时候一条命令要卡好几分钟，尤其是漫无目的地加-c pytorch -c nvidia时，如果网络不佳，体验很差。

Pip 路线的包体积更小，安装速度一般也更快，但你需要自己保证系统里有兼容的 NVIDIA 驱动。好消息是 Pip 安装的 PyTorch 会把必要的 CUDA 库以.so或.dll形式放进你的环境里，所以即使你没单独装 CUDA Toolkit，它也照样能跑。前提还是那条：驱动版本要足够新。

这里有个特别容易踩的坑：千万不要在同一个 conda 环境里混用 conda 和 pip 来装 PyTorch，比如先用 conda 装了 torchvision，再用 pip 装 torch，版本很容易不一致，最终出现torchvision里报错说找不到某个 CUDA 库。如果你想用 pip 路线，那 torch 和 torchvision 都用 pip 装，保持同一个来源。

3.3 装完的验证四件套

装完之后别急着跑模型，先跑以下四行命令，逐层确认 GPU 是否可用：

python -c "import torch; print(torch.__version__)" python -c "import torch; print(torch.version.cuda)" python -c "import torch; print(torch.cuda.is_available())" python -c "import torch; print(torch.cuda.get_device_name(0))"

第一行查看 PyTorch 版本号，正常会输出类似2.4.1+cu121的格式，+cu121说明你装的是 CUDA 12.1 版本；如果输出的是2.4.1+cpu，那你装成了 CPU 版，需要回头检查安装命令。第三行输出True才说明 PyTorch 能访问到 CUDA 设备，这一行如果输出False，基本可以断定问题出在驱动或者版本匹配上。第四行会打印你的显卡名称，比如NVIDIA GeForce RTX 4060 Laptop GPU，看到这一行基本就能放心了。

还有一个进阶验证，看看 PyTorch 的实际计算能力是否可用，以及是否能跑在 GPU 上：

python - <<EOF import torch print(torch.cuda.get_device_capability(0)) x = torch.randn(10000, 10000, device='cuda') y = torch.randn(10000, 10000, device='cuda') torch.cuda.synchronize() z = x @ y torch.cuda.synchronize() print(z.item()) EOF

get_device_capability(0)会返回类似(8, 9)的值，对于 RTX 40 系来说就是 8.9。大矩阵乘法能顺畅跑完，说明 GPU 上的 kernel 编译和启动都正常，PyTorch 已经真正工作在显卡上了。

4. 高频报错现场：Windows、Ubuntu、WSL2 三个平台的问题排查

这一节专门讲我遇到频率最高的三类安装失败现场。每个场景都是真实踩坑后的复盘，而不是网上抄来的错误原因，希望你能按我的排查顺序走一遍，大概率能找到病根。

4.1 Windows 笔记本识别不到独显怎么办

情况一：nvidia-smi能正常显示显卡和驱动信息，但 PyTorch 的torch.cuda.is_available()返回False。这种情况第一嫌疑是 PyTorch 装成了 CPU 版。你执行python -c "import torch; print(torch.__version__)"，看到cpu字样，那就要卸载重装：

pip uninstall torch torchvision torchaudio -y pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

重装后再验证。如果版本号显示+cu121但is_available()依然是False，那就要查驱动版本和 CUDA 版本匹配了。到设备管理器里看 NVIDIA 显卡的驱动版本号，然后去 NVIDIA 官网查这个驱动版支不支持你选的 CUDA 版本，驱动太老就更新驱动。

情况二：nvidia-smi报找不到驱动，但设备管理器里显卡却没有感叹号。这种多半是驱动服务没有正常启动。可以在设备管理器里右键点击显卡设备，选择“禁用设备”然后再“启用设备”，或者直接重启，大部分情况能恢复。如果反复出现，我会把现有驱动卸载干净，删掉C:\Program Files\NVIDIA Corporation残留目录，再用 NVIDIA 官网的驱动安装包重装。

情况三：Windows 下安装时提示 “ImportError: DLL load failed: 找不到指定的模块”。这个的元凶通常是系统缺少 Microsoft Visual C++ Redistributable。PyTorch 在 Windows 上依赖 VC++ 运行库，你一搜一个准。到微软官网下载vc_redist.x64.exe装上，重启终端再试，这个错误就消失了。

4.2 Ubuntu 下 apt/runfile 装 CUDA 失败的常见原因

热搜词里有一条“ubuntu cuda安装指令安装不了”，我太有共鸣了。Linux 下安装失败通常集中在三个点：驱动程序加载失败、依赖包冲突、Secure Boot 拦截。

先说驱动。Ubuntu 默认加载了开源的nouveau驱动，和 NVIDIA 闭源驱动冲突。如果你用 runfile 安装 NVIDIA 驱动，最正确的一步是先创建一个/etc/modprobe.d/blacklist-nouveau.conf，写入：

blacklist nouveau options nouveau modeset=0

然后更新内核并重启：

sudo update-initramfs -u sudo reboot

重启之后确认 nouveau 已停用：

lsmod | grep nouveau

没有输出就说明干净了。这时候再运行 NVIDIA 驱动安装脚本，成功率高很多。

再说 Secure Boot。现在的笔记本和台式机主板默认开启 UEFI Secure Boot，如果系统处于安全启动模式，第三方驱动模块（包括 NVIDIA）是无法被内核加载的。你安装驱动时可能一切正常，但重启后nvidia-smi还是报错，看系统日志里有signature verification failed之类的字眼，基本就是 Secure Boot 在拦截。最简单的方案是进 BIOS 把 Secure Boot 关掉，改成 Other OS 或 Disabled。如果你的电脑是公司资产管理机，不能动 BIOS，还有一条路是给驱动模块签名，但这过程非常繁琐，新手不推荐。

最后一类是依赖库问题。用apt install cuda的仓库安装方式时，如果网络源慢或者 GPG key 过期，会直接报错。相对稳妥的做法是直接放弃 apt，改用 runfile 方式安装 CUDA Toolkit，runfile 会把 cuda 相关的库放在/usr/local/cuda-12.x目录里，不依赖发行版仓库的版本管理，后续也更可控。不过前面说了，大多数跑 PyTorch 的人根本不需要单独装 CUDA Toolkit，所以你要是只装了 PyTorch 后一切正常，完全可以跳过这一步。

4.3 WSL2 与 VMware 到底能不能用 GPU

很多 Windows 用户不想在 Windows 下折腾 Python 环境，想用 WSL2，这是个非常合理的选择，而且现在 PyTorch 官方对 WSL2 的支持已经很成熟了。WSL2 的特殊之处在于：Windows 侧的 NVIDIA 驱动是“负责到底”的，你不需要也不应该在 WSL2 内部安装 NVIDIA Linux 驱动，只需要确保 Windows 侧驱动版本足够新。然后 WSL2 里那个 Linux 发行版会自动挂载一个/usr/lib/wsl目录，里面带着libcuda.so和nvidia-smi工具。

所以 WSL2 里的正确排查路径是：

/usr/lib/wsl/lib/nvidia-smi

能输出显卡信息，说明 GPU 已经透传到了 WSL2。然后你在这个 Linux 环境里按前面第 3 节的步骤安装 PyTorch，完全不需要关心驱动，只需要关注 CUDA 版本和 PyTorch 版本匹配。WSL2 里还要注意.bashrc里不要乱设CUDA_HOME，因为默认路径/usr/local/cuda可能不存在，乱设反而会让 PyTorch 报出“找不到 CUDA”的错误。如果报错说libcuda.so找不到，可以用以下命令手动链接：

sudo ldconfig /usr/lib/wsl/lib

VMware 虚拟机的情况就比较麻烦了。默认情况下，VMware Workstation 给虚拟机的显卡是虚拟 SVGA 显卡，根本不会让你的 NVIDIA 独显暴露给虚拟机里的系统。所以你在虚拟机里的 Ubuntu 执行nvidia-smi几乎必然失败，无论你安装多新的驱动都无济于事。如果确实要在虚拟机里用 GPU 做 PyTorch 训练，需要走硬件直通（PCI Passthrough）路线，但这要求你的宿主机主板和 CPU 支持相关虚拟化技术，而且在 VMware Workstation 里配置复杂，性能损失也大。我的建议：别在虚拟机里跑 GPU 训练，直接用 Windows 原生环境或者 WSL2，这是最省力的方案。

4.4 报错代码速查表

为了让你在以后遇到报错时能快速定位方向，我把常见的几个错误信息和排查方向整理到了下面这张表里：

这张表不是说遇到问题照着搬答案就行，排查的底层逻辑永远一样：驱动能不能看到 GPU，PyTorch 版本是不是 GPU 版，CUDA 版本和驱动是否兼容，三关依次过。只要这三个问题按顺序解决了，99% 的安装失败都能排除。

一点实操体会

最后分享一个我自己的习惯，也是踩过多次坑后总结的：装完 GPU 版 PyTorch 后，我会把torch.__version__、torch.version.cuda、torch.cuda.is_available()和显卡名称这四个输出截图放到项目文档里。不是做给谁看，而是当你遇到“模型训练慢”这种模糊的问题时，这份记录能立刻帮你排除环境层面的嫌疑，专心去看代码和数据的麻烦。装 GPU 版 PyTorch 这件事本身，真不是那种需要多高技术水平的事，它只考验你有没有耐心把前面三步走对：驱动确认、环境隔离、版本匹配。把这套顺序刻在脑子里，以后无论是换新电脑、升级显卡，还是帮同事排错，你都能五分钟内搞定，而不是重新经历一整轮的搜索和试错。