conda是唯一靠谱起点，因它能在无root权限下将cuda runtime与pytorch一并装入用户目录并自动配置ld_library_path；pip则依赖系统级libcudart.so等库，无root时无法解决路径和权限问题。
conda 是唯一靠谱的起点，其他路径（比如直接 pip install torch 或手动装 CUDA）在无 root 权限下基本会卡死在驱动调用、动态库找不到或权限拒绝这三关。
为什么必须用 conda 而不是 pip？
因为 pip 安装的 torch GPU 版本只打包了 Python 层代码，它依赖系统级的 libcudart.so、libcublas.so 等，而这些库必须由 /usr/local/cuda 提供——你没 root 就没法改系统路径，也没法软链到自己目录；conda 则不同，它能把整套 CUDA runtime（比如 cudatoolkit=11.8）连同 PyTorch 一起下载到用户目录，自动配置 LD_LIBRARY_PATH，不碰系统任何位置。
-
pip install torch→ 报错libcudart.so.11.2: cannot open shared object file -
conda install pytorch-cuda=11.8 -c nvidia→ 自动把cudatoolkit和pytorch装进~/miniconda3/envs/myenv/，且import torch后torch.cuda.is_available()返回True - 注意：不要用
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorch，那个cudatoolkit来自pytorch频道，和 NVIDIA 官方二进制不完全兼容，容易导致 RTX 30xx/40xx 卡报sm_86或sm_90不支持
如何确认服务器实际支持的 CUDA 计算能力？
别信 nvidia-smi 显示的 “CUDA Version: 12.0”，那是驱动能支持的最高版本，不是你可用的运行时版本。真正决定 PyTorch 能否用 GPU 的，是显卡架构（sm_xx）和你装的 cudatoolkit 是否匹配。
- 先查显卡型号：
nvidia-smi -L→ 得到类似GPU 0: NVIDIA A100-SXM4-40GB (UUID: xxx) - 再查对应架构：
nvidia-smi --query-gpu=name,compute_cap --format=csv→ 输出"A100-SXM4-40GB", "8.0" - 最后查 PyTorch 官网支持表：PyTorch 2.3 支持
sm_75（V100）、sm_80（A100）、sm_86（3090）、sm_90（H100/4090），但不支持sm_60（P100）以下的老卡 - 如果服务器只有
sm_60（如 P100）且预装 CUDA 10.2，你就只能用 PyTorch 1.10，不能硬上 2.x
Miniconda 安装后必须做的三件事
很多人装完 Miniconda 就直接 conda activate，结果 torch.cuda.is_available() 还是 False，问题往往出在这几步漏了。
- 执行
$HOME/miniconda3/bin/conda init bash（或zsh，取决于echo $0输出），然后source ~/.bashrc—— 否则conda命令本身都不可用 - 换清华源：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/+conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/+conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/+conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/nvidia/ - 创建环境时指定 Python 版本并立即装 PyTorch：
conda create -n pt23 python=3.10 && conda activate pt23 && conda install pytorch-cuda=11.8 -c nvidia—— 不要分开执行，否则可能因缓存导致装错 channel 的包
验证 GPU 是否真在工作，别被 is_available() 骗了
torch.cuda.is_available() 返回 True 只代表库加载成功，不代表显存能分配、核函数能跑。很多人在 Jupyter 里跑通了这个，一跑训练就卡住，其实是显存不足或 NCCL 初始化失败。
- 最简验证：
python -c "import torch; x = torch.ones(1000, 1000).cuda(); print(x.device, x.mean())"—— 必须输出cuda:0且不报OSError: [Errno 12] Cannot allocate memory - 检查可见设备：
export CUDA_VISIBLE_DEVICES=0（如果你有多个 GPU，又没权限用nvidia-smi -i 0 -c 3锁定） - 避免常见坑：
torch.compile在非 root 环境下默认用cudagraphs，可能触发RuntimeError: CUDA error: operation not supported when stream is capturing，临时禁用：torch._dynamo.config.suppress_errors = True或直接不用torch.compile
真正的难点不在安装，而在确认你用的 cudatoolkit 架构、PyTorch 编译版本、NVIDIA 驱动三者是否咬合。服务器上多张卡、混合架构、旧驱动混用的情况太常见，光靠 nvcc -V 或 nvidia-smi 看一眼就开干，90% 会掉坑里。
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！
