相关参考资料（往期博客）：
是否需要预先安装 CUDA Toolkit？——按使用场景分级推荐及进阶说明-CSDN博客
太方便，WIN系统CUDA12.4下使用conda便捷管理虚拟环境中的不同版本的CUDA、cuDNN、PyTorch-CSDN博客
好消息，最新CUDA和cuDNN安装，俩都可以用exe安装包直装了 CUDA12.6.3和cuDNN9.6.0 Windows系统 省事_cuda最新版本-CSDN博客
在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客
新系统安装CUDA12.8卡在installing Nsight visual studio edtion界面不动的解决方案_cuda12.8安装失败-CSDN博客
在WSL2-Ubuntu中安装CUDA12.8、cuDNN、Anaconda、Pytorch并验证安装_cuda 12.8 pytorch版本-CSDN博客
CUDA Toolkit 12.9 与 cuDNN 9.9.0 发布，带来全新特性与优化_cuda12.9-CSDN博客
升级 CUDA Toolkit 12.9 与 cuDNN 9.9.0 后验证指南：功能与虚拟环境检测_cuda 12.9-CSDN博客
“100% 成功的 PyTorch CUDA GPU 支持” 安装攻略_torch cuda 安装-CSDN博客
🚩PyTorch 的 CUDA GPU 支持 · 安装五条铁律（最新版 2025 修订）
铁律一：CUDA 支持的“上限版本”由显卡驱动决定
我们能使用的最高 CUDA 版本，不由 PyTorch 决定，而由 NVIDIA 驱动版本决定。
📌 使用 nvidia-smi 可查看当前驱动支持的 CUDA 上限（如 CUDA 12.9）。
铁律二：安装命令最好来自 PyTorch 官网，需明确指定 CUDA 版本号
默认
pip install torch只安装 CPU 版本，要启用 GPU，必须选对带 CUDA 后端的版本。
📌 当前（2025年6月）仅 pip 提供到 CUDA 12.8 安装命令，conda 尚未支持到此版本。
🧭 官网安装命令地址：
https://pytorch.org/get-started/locally
📌 pip 命令示例（CUDA 12.8）：
# PyTorch 2.7.1 稳定版 & CUDA 12.8
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128📌 conda 命令示例（CUDA 12.1）：
# 此 conda 命令默认安装 pytorch torchvision torchaudio 三件套及其依赖的最新稳定版本（conda渠道版）支持 cuda 12.1
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
铁律三：安装过程需确保网络通畅，尤其访问 PyTorch CDN
GPU 安装包体积大（大几 GB），且来自国外服务器，网络失败会导致安装为 CPU-only 版本，且无提示。
📌 使用科学上网、镜像代理，或提前下载 .whl 文件后离线安装。
铁律四：安装时必须三件套齐全，版本匹配保持一致
PyTorch 官网当前发布的最新稳定版本为 PyTorch 2.7.1，安装命令尽量从官网获取，尽量不要自己手动拼接对齐版本号。
📌 如果我们要指定以前的版本（指定旧的版本号），尽量参照官网的旧版本安装页，按表格一一对应：
-
Previous Versions of PyTorch
📌 pip 命令示例（torch 指定 2.6.0 & cuda 指定12.6）：
pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu126
📌 conda 命令示例（torch 指定 2.5.1 & cuda 指定1X.X）：
# CUDA 11.8
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=11.8 -c pytorch -c nvidia
# CUDA 12.1
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.1 -c pytorch -c nvidia
# CUDA 12.4
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia
# CPU Only
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 cpuonly -c pytorch铁律五：安装后必须验证 GPU 是否真正被识别和启用
成功安装不等于 GPU 可用，必须运行验证代码或使用
nvidia-smi观察 PyTorch 是否调用 GPU。
📌 推荐验证脚本：
import torch # 导入 PyTorch 库print("PyTorch 版本：", torch.__version__) # 打印 PyTorch 的版本号# 检查 CUDA 是否可用，并设置设备（"cuda:0" 或 "cpu"）
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print("设备：", device) # 打印当前使用的设备
print("CUDA 可用：", torch.cuda.is_available()) # 打印 CUDA 是否可用
print("cuDNN 已启用：", torch.backends.cudnn.enabled) # 打印 cuDNN 是否已启用# 打印 PyTorch 支持的 CUDA 和 cuDNN 版本
print("支持的 CUDA 版本：", torch.version.cuda)
print("cuDNN 版本：", torch.backends.cudnn.version())# 创建两个随机张量（默认在 CPU 上）
x = torch.rand(5, 3)
y = torch.rand(5, 3)# 将张量移动到指定设备（CPU 或 GPU）
x = x.to(device)
y = y.to(device)# 对张量进行逐元素相加
z = x + y# 打印结果
print("张量 z 的值：")
print(z) # 输出张量 z 的内容验证PyTorch深度学习环境Torch和CUDA还有cuDNN是否正确配置的命令-CSDN博客
✅ 总结一句话：
PyTorch GPU 安装，不靠猜：驱动决定上限，命令来自官网，三件套版本对齐装，联网顺利下载全，验证支持才算完。
🧭 补充说明 （最新版 2025 修订）
一般无需手动安装 CUDA Toolkit（除非我们要开发/编译）
pip/conda 安装包已包含 CUDA runtime + cuDNN，正常使用 PyTorch 一般不需要另外预装 CUDA 工具链。
📌 开发 C++ 扩展、自行编译 PyTorch 则需要本地 CUDA 工具链。
使用 pip/conda 安装的 PyTorch，已内置所需的 CUDA runtime 和 cuDNN，大多数用户无需单独安装 CUDA 工具链。
📌 只有在以下情况才需要本地安装 CUDA Toolkit：
-
需要编译 PyTorch 或其 C++ 扩展模块；
-
需要使用 nvcc 等 CUDA 开发工具链。
是否需要预先安装 CUDA Toolkit？——按使用场景分级推荐及进阶说明-CSDN博客
