nvidia-smi命令找不到是pytorch无法识别gpu的最底层失败信号，说明nvidia驱动未安装、安装失败或未重启生效；必须在宿主机终端运行，linux需装≥535.x驱动并sudo reboot，windows需重启或用ddu重装。
nvidia-smi 命令找不到，PyTorch 就不可能识别 GPU——这是最底层的失败信号，其他所有检查都白搭。
nvidia-smi 找不到或无输出
这说明 NVIDIA 驱动压根没装、安装失败，或没重启生效。不是 PyTorch 的问题，是系统级缺失。
- 必须在宿主机终端运行（不是 Docker 容器内，不是 WSL2 子系统里）
- Linux 用户：去 NVIDIA 官网下载匹配显卡型号和系统的驱动（2026 年推荐 ≥535.x），安装后务必执行
sudo reboot—— 驱动模块需内核重载才能挂载设备节点 - Windows 用户：安装完建议重启；若设备管理器中显示“Microsoft 基本显示适配器”，说明驱动未生效，需用 DDU 彻底卸载后重装
- 常见错误现象：
bash: nvidia-smi: command not found、执行后空白、卡住、或提示No devices were found
nvidia-smi 能用但 torch.cuda.is_available() 返回 False
驱动已就绪，但 PyTorch 与 CUDA 运行时不兼容。关键不是 nvcc --version，而是 nvidia-smi 右上角显示的 CUDA Version: X.Y —— 它代表当前驱动能支持的最高 CUDA 运行时版本。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
- 例如：
nvidia-smi显示CUDA Version: 12.4，但你装了为cu125编译的 PyTorch 2.5，就会静默失败（PyTorch 2.5 官方仅支持cu118和cu121） - 查清驱动支持范围：驱动 ≥525.x → 可跑
cu118；≥535.x → 可跑cu121 - 确认 PyTorch 是否带 CUDA 支持：运行
python -c "import torch; print(torch.__version__)"，输出中必须含+cu118或+cu121，否则就是 CPU 版本 - 重装时务必指定官方源：
pip install torch==2.5.0 --index-url https://download.pytorch.org/whl/cu121
WSL2 或 Docker 容器中 GPU 不可见
WSL2 和 Docker 都不直连 GPU，依赖宿主机驱动透传，漏掉启动参数就等于没开开关。
- WSL2：Windows 端驱动必须 ≥470.14，且执行
wsl --update --web-download+wsl --shutdown；之后在 WSL2 中运行nvidia-smi成功，才可继续装 PyTorch - Docker：启动容器时必须加
--gpus all，不能只靠LD_LIBRARY_PATH或CUDA_HOME；宿主机的/dev/nvidiactl、/dev/nvidia-uvm、/dev/nvidia0必须存在且可访问 - 常见错误现象：
nvidia-smi在 WSL2 终端中报错；docker run启动后torch.cuda.is_available()仍为False
torch.version.cuda 为 None 或 /dev/nvidia* 设备缺失
即使 nvidia-smi 正常，PyTorch 仍可能因内核模块未加载或设备节点不可见而失效。
- 运行
ls /dev/nvidia*，应看到/dev/nvidia0、/dev/nvidiactl、/dev/nvidia-uvm等文件；缺任何一个，PyTorch 都无法通信 - 运行
lsmod | grep nvidia_uvm，若无输出，说明nvidia_uvm模块未加载 —— 可手动执行sudo modprobe nvidia_uvm，并写入/etc/modules开机自启 - Ubuntu 22.04+ 等启用 Secure Boot 的系统，会拒绝加载未签名的
nvidia_uvm模块，此时需禁用 Secure Boot 或手动签名 - 运行
python -c "import torch; print(torch.version.cuda)"，若输出None，说明 CUDA Runtime 未被 PyTorch 加载，大概率是上述设备或模块问题
真正容易被忽略的是：nvidia-uvm 内核模块是否加载、/dev/nvidia* 设备是否存在、以及容器是否真用了 --gpus all —— 这些环节没有日志、不报错、只静默失败，排查时最容易跳过。
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！
