能直接用conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia安装成功，就无需手动装cuda toolkit和cudnn；nvidia-smi显示的cuda version是驱动支持上限而非已安装版本，pytorch gpu可用性取决于pytorch-cuda包与驱动的兼容性，且需显式指定python=3.10、配置清华源加速并确保终端自动激活环境。
能直接用 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia 安装成功，就不用折腾 CUDA Toolkit 和 cuDNN 手动安装——90% 的失败都源于多此一举。
nvidia-smi 显示的 CUDA Version 不是你要装的版本
这是最常被误解的一点。nvidia-smi 输出里那一行 “CUDA Version: 12.4” 表示的是当前驱动**最高支持**的 CUDA 运行时版本，不是你系统已安装的 CUDA Toolkit 版本，更不等于 PyTorch 要求的 pytorch-cuda 构建版本。
真正决定 PyTorch GPU 是否可用的，是 conda 或 pip 安装时指定的 pytorch-cuda 包（如 pytorch-cuda=11.8）是否与你的驱动兼容。NVIDIA 驱动向下兼容：驱动 535+ 支持 CUDA 11.8/12.1/12.4 等多个 Toolkit 版本。
- 查驱动支持上限：运行
nvidia-smi，看右上角 “CUDA Version” - 查实际可用的 PyTorch CUDA 构建版：访问 pytorch.org/get-started/locally，选 Windows + Pip/Conda + CUDA，它会给出精确命令
- 不要运行
nvcc --version—— 如果没手动装 CUDA Toolkit，它大概率报错；即使有，也和 PyTorch 无关
conda create 环境时必须显式指定 python=3.10（或 3.9/3.11）
PyTorch 2.0+ 已停止支持 Python 3.7 和 3.12，且对 3.10 兼容性最稳。如果你只写 conda create -n pt_gpu，conda 可能默认创建 3.12 环境，后续 conda install pytorch-cuda=11.8 会静默失败或装成 CPU-only 版本。
验证方式很简单：环境激活后，在 Python 中运行：
import torch print(torch.__version__) print(torch.cuda.is_available()) # 必须为 True
若为 False，八成是 Python 版本越界或环境未正确激活。
- 始终用
conda create -n pt_gpu python=3.10 -y显式声明 - 激活后立刻运行
python --version确认 - VSCode 中按
Ctrl+Shift+P→ “Python: Select Interpreter”，手动指向该环境的python.exe（路径类似D:envspt_gpupython.exe）
VSCode 终端没走 conda 环境？检查 shellPath 和 “在集成终端中运行的命令”
即使你在 VSCode 里选对了 Python 解释器，如果集成终端（Ctrl+Shift+`）没激活 conda 环境，pip list 或 python -c "import torch" 仍可能报错或找不到包。
根本原因是：VSCode 默认终端启动时不会自动运行 conda activate pt_gpu，尤其当你禁用了 auto_activate_base 后。
- 打开 VSCode 设置（
Ctrl+,），搜terminal integrated shell path - Windows 用户设为
shellPath: "C:\Windows\System32\cmd.exe"或powershell.exe，但关键在下一步 - 搜
terminal integrated default profile→ 点击 “Edit in settings.json” - 添加配置（以 PowerShell 为例）：
"terminal.integrated.profiles.windows": {
"PowerShell": {
"source": "PowerShell",
"icon": "terminal-powershell",
"args": ["-ExecutionPolicy", "Bypass", "-NoExit", "-Command", "conda activate pt_gpu"]
}
}
这样每次开新终端，自动进入 pt_gpu 环境，torch.cuda.is_available() 就不会意外为 False 了。
国内用户必须配 conda 清华源，否则 pytorch-cuda 安装超时或 404
PyTorch 的官方 conda channel（-c pytorch）在国内直连极不稳定，经常卡住或返回 404。这不是网络问题，是 CDN 路由策略导致的。
解决办法不是换镜像站，而是让 conda 先走清华源拉基础包，再从官方 channel 拉 PyTorch 专用包：
- 运行：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ - 再运行：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - 最后加官方 channel：
conda config --add channels conda-forge和conda config --add channels pytorch - 设置优先级：
conda config --set show_channel_urls yes
之后执行 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia -y，速度提升 5–10 倍，且几乎不再失败。
真正卡住的地方从来不是代码，而是 conda activate 没生效、Python 版本错位、或者终端压根没进对环境——这些细节不打钩，torch.cuda.is_available() 就永远是 False。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
