1. 为什么在Windows上配深度学习环境比想象中更值得花时间搞懂“Windows下深度学习环境配置CPUGPU版本【李沐-动手学深度学习】”——这个标题不是一句操作指南而是一张真实的学习入场券。我带过三十多个从零起步的算法实习生几乎所有人第一周卡点都在这里conda install pytorch 后 import torch 失败、nvidia-smi 显示“NVIDIA-SMI has failed”或者 jupyter notebook 里跑通了 CPU 版却死活调不动 GPU。不是他们不认真而是 Windows 深度学习环境从来就不是“装几个包”这么简单的事。它本质是三套系统在打架Windows 自身的驱动与权限模型、CUDA 生态的版本强耦合链、以及 Python 包管理器conda/pip对二进制兼容性的隐式假设。你看到的pip install torch命令背后实际在调度显卡驱动、CUDA 运行时、cuDNN 加速库、PyTorch 编译时链接的 ABI 版本、以及 Windows 的 PATH 环境变量搜索顺序——任何一个环节错位就会出现“明明装了GPU版却只用CPU跑”的经典幻觉。我实测过 2023–2024 年主流组合RTX 4090 Windows 11 23H2 CUDA 12.1 PyTorch 2.2RTX 3060 笔记本 Windows 10 22H2 CUDA 11.8 PyTorch 2.0甚至包括 AMD Radeon RX 7900 XTX 用户试图通过 ROCm 跑 PyTorch结果失败Windows 下 ROCm 官方不支持这点必须提前踩坑。所有成功案例都遵循一个铁律版本不是选最新的而是选“被验证过的三角闭环”——即 NVIDIA 驱动版本 → CUDA Toolkit 版本 → PyTorch wheel 版本三者必须严格对齐。比如你装了 536.67 版驱动它最高只支持 CUDA 12.2但 PyTorch 2.3 官方 wheel 只打包了 CUDA 12.1 和 12.4 支持那么你就只能退到 PyTorch 2.2支持 CUDA 12.1或等 PyTorch 2.3.1 补丁。这不是玄学是 NVIDIA 在 driver release notes 里白纸黑字写的兼容矩阵也是 PyTorch 官网 download page 上每个 wheel 文件名里藏着的密码torch-2.2.0cu121-cp39-cp39-win_amd64.whl中的cu121就是 CUDA 12.1“cp39”代表 CPython 3.9“win_amd64”说明这是 Windows 64 位原生编译包——这些字符串不是装饰是运行时加载 DLL 的唯一钥匙。所以这篇内容不教你怎么复制粘贴命令而是带你亲手拆解这个“三角闭环”的每一条边怎么查清自己显卡的真实驱动能力怎么从 NVIDIA 官网下载对应版本的 CUDA Toolkit不是直接 pip install cuda怎么用 conda 创建隔离环境避免全局污染怎么验证 GPU 是否真被 PyTorch 识别不只是 nvidia-smi 成功以及最关键的——当torch.cuda.is_available()返回 False 时你该按什么顺序排查先看驱动是否支持 CUDA再看 CUDA 是否被 PATH 正确加载再看 PyTorch 是否链接了正确的 cudart.dll最后才是代码逻辑问题。这整套流程我在实验室贴墙打印过一张 A3 排查树现在把它完整还原给你。如果你正准备跟着李沐《动手学深度学习》第2章跑线性回归却发现d2l.train_ch3卡在数据加载上那不是书的问题是你环境里某个 dll 文件没放对位置。我们从今天开始把这种“玄学失败”变成可定位、可修复、可复现的工程问题。2. 环境配置的整体设计思路与关键决策逻辑2.1 为什么坚持用 conda 而非纯 pip——隔离性与二进制兼容的双重保障很多人问“pip 不也能装 torch 吗为什么非要用 conda”答案藏在 Windows 的 DLL 加载机制里。当你pip install torch它会把所有依赖包括cudnn.dll,cublas.dll,cudart.dll一股脑塞进 Python site-packages 的某个子目录然后靠 Python 的ctypes或 PyTorch 内部 loader 去动态找。但 Windows 的 DLL 搜索顺序是1可执行文件所在目录2当前工作目录3PATH 环境变量列出的所有路径。如果此时你电脑里装了其他软件比如 Adobe Premiere、MATLAB、甚至某些游戏启动器它们可能把旧版 CUDA DLL 注入到 PATH 里导致 PyTorch 加载了错误版本的cudnn.dll——结果就是torch.cuda.is_available()返回 True但model.to(cuda)直接崩溃报错信息却是OSError: [WinError 126] 找不到指定的模块根本看不出是 DLL 版本冲突。conda 的解法是“物理隔离”。它为每个环境创建独立的envs\mydl\Library\bin目录并在激活环境时把这个路径临时前置到 PATH 最前面。这意味着只要你的环境里装了 CUDA 12.1那么无论系统 PATH 里有多少个其他版本的 cudnn.dllWindows 都会优先加载 conda 环境里的那个。我做过对比实验同一台 RTX 4080 笔记本pip 环境下torch.cuda.is_available()时灵时不灵换成 conda 创建py39-cu121环境后连续三个月稳定运行从未因 DLL 冲突失败。这不是 conda 更高级而是它尊重了 Windows 底层的模块加载规则。提示conda 安装 CUDA Toolkit 时实际安装的是cudatoolkit这个包它不包含驱动只提供 runtime 和 headers。它的版本号如cudatoolkit12.1.1必须和 PyTorch wheel 名称中的cu121严格一致。不要试图混用cudatoolkit12.2和torchcu121因为 PyTorch 编译时链接的是 CUDA 12.1 的 ABI调用 12.2 的函数会直接引发 access violation。2.2 CPU 与 GPU 版本为何必须分环境部署——避免隐式降级陷阱标题里写“CPUGPU版本”很容易让人误解为“一个环境同时支持两者”。但现实是PyTorch 的 CPU 和 GPU 版本是完全不同的 wheel 文件且不能共存于同一环境。你不可能pip install torch torchvision torchaudio后再pip install torch-cpu因为 pip 会覆盖掉之前的 GPU 版。更危险的是某些教程教你pip install torch --index-url https://download.pytorch.org/whl/cu118然后又让你pip install torch --index-url https://download.pytorch.org/whl/cpu——这会导致最后一个命令把 GPU 版彻底删掉而你可能根本没意识到。正确做法是为 CPU 和 GPU 场景分别创建独立 conda 环境。例如conda create -n d2l-gpu python3.9conda create -n d2l-cpu python3.9这样做的好处不止是避免冲突。更重要的是GPU 环境里你可以放心装nvidia-cudnnconda-forge 提供的 cuDNN 封装而 CPU 环境里则可以装openblas加速矩阵运算互不干扰。我在教学生时发现很多初学者在 GPU 环境里跑 CPU-only 代码比如小数据集上的逻辑回归结果因为 GPU 环境默认启用了 CUDA context 初始化反而比纯 CPU 环境慢 15%——这就是环境混用带来的隐式性能惩罚。2.3 为什么推荐 Windows 原生而非 WSL2——延迟与调试真实性的权衡网络上有大量“WSL2 Ubuntu CUDA”教程听起来很酷但对李沐《动手学深度学习》这类以 Jupyter Notebook 为核心的实践项目WSL2 存在三个硬伤图形界面缺失d2l 库里的d2l.plt.show()依赖 matplotlib 的 GUI backend通常是 TkAgg 或 Qt5AggWSL2 默认没有 X server需额外配置 VcXsrv 或 WSLg且经常出现字体乱码、绘图窗口卡死GPU 访问延迟高WSL2 的 GPU 支持基于 NVIDIA Container Toolkit它通过虚拟化层转发 CUDA call实测 ResNet-18 在 WSL2 上训练比 Windows 原生慢 12–18%尤其在小 batch size如 32时更明显调试链路断裂VS Code 的 Python debugger 在 WSL2 中无法直接 attach 到 Windows 主机的 GPU 进程断点调试model.forward()时看不到 CUDA kernel 的实际执行状态。我自己的开发机是 RTX 4090 Windows 11日常开发全部在 Windows 原生环境只有需要跑 Linux-only 工具如某些 C extension 编译时才切 WSL2。对于《动手学深度学习》这种以快速验证概念为目标的入门项目原生环境省下的每一分钟调试时间都比理论上的“跨平台一致性”更有价值。2.4 李沐课程适配的关键取舍放弃最新版拥抱 LTS 稳定链李沐《动手学深度学习》v2 版本2023 年底发布的代码仓库明确要求Python ≥ 3.8, 3.11PyTorch ≥ 2.0.0torchvision ≥ 0.15.0这意味着你不能无脑装 PyTorch 2.42024 年 6 月发布因为它的新特性如torch.compile的默认 backend 变更可能破坏书中d2l.train_ch3的 callback 机制。我实测过 PyTorch 2.3.1 CUDA 12.1 组合在d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)中能完美复现书中的 loss 曲线但换成 PyTorch 2.4.0 后同样的代码在 epoch5 时 loss 突然跳变debug 发现是torch.compile自动启用了inductorbackend而 d2l 的自定义 trainer 没有适配其 graph rewrite 规则。因此我的建议是严格按 d2l GitHub README.md 的 requirements.txt 锁定版本。目前2024 年中最稳组合是Python 3.9.16conda 官方 build无第三方 patchPyTorch 2.2.0cu121官方 wheeltorchvision 0.17.0cu121torchaudio 2.2.0cu121这个组合在 NVIDIA 官方 CUDA 12.1 文档、PyTorch 2.2 发布日志、以及 d2l v2.0.10 的 CI 测试矩阵中都被交叉验证过。它可能不是最快的但它是“第一次就能跑通”的底线保障。3. 核心细节解析与实操要点从驱动到 PyTorch 的全链路验证3.1 第一步确认 NVIDIA 驱动版本与 CUDA 兼容性——别跳过这个检查很多人以为“装了最新驱动就万事大吉”但事实是NVIDIA 驱动版本决定了你能用的最高 CUDA 版本而不是“支持所有 CUDA”。例如驱动版本 535.104.05 → 最高支持 CUDA 12.2驱动版本 528.86 → 最高支持 CUDA 12.0驱动版本 472.12 → 最高支持 CUDA 11.5你必须先查清自己驱动的上限再决定装哪个 CUDA Toolkit。操作步骤按WinR输入dxdiag打开 DirectX 诊断工具 → “显示”选项卡 → 记下“驱动程序版本”如 31.0.15.4721或在 PowerShell 中运行nvidia-smi输出第一行会显示驱动版本如Driver Version: 536.67访问 NVIDIA 官方文档https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html → 拉到页面底部 “CUDA Toolkit and Compatible Driver Versions” 表格 → 找到你的驱动版本对应的 “Latest CUDA Version Supported”。注意表格中 “Latest CUDA Version Supported” 是上限不是推荐值。比如你的驱动支持 CUDA 12.4但 PyTorch 2.2 只打包了 cu121那你必须装 CUDA 12.1而不是 12.4。强行装 12.4 会导致 PyTorch 找不到cudart64_121.dll报错DLL load failed while importing torch。3.2 第二步CUDA Toolkit 安装的隐藏陷阱——PATH 与 Library Bin 的手动校准CUDA Toolkit 官网下载页面https://developer.nvidia.com/cuda-toolkit-archive提供 exe 和 run 两种安装包。Windows 必须选exe 版本run 是 Linux 用的。安装时务必勾选✅ CUDA Development → CUDA Runtime✅ CUDA Development → CUDA Compiler (nvcc)✅ Developer Tools → Nsight Visual Studio Edition方便后续 debug CUDA kernel❌ Driver components →不要勾选你已装好驱动重复安装可能降级安装完成后CUDA 默认装在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1。此时关键一步手动将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin添加到系统 PATH。为什么因为 conda 环境虽然会 prepending 自己的 bin但它不会自动包含 CUDA 的 bin 目录。nvidia-smi能运行是因为它被驱动安装时放到了System32但nvcc --version或 PyTorch 加载cudart.dll需要从 CUDA bin 目录找。验证方法打开新 PowerShell 窗口确保 PATH 刷新运行nvcc --version应输出cuda_12.1.r12.1/compiler.32856570_0运行echo $env:PATH确认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin出现在最前面。提示如果nvcc --version报错 “not recognized”说明 PATH 没生效。不要重启电脑只需关闭所有 PowerShell 窗口重新打开即可。Windows 的 PATH 变更对已打开的进程无效。3.3 第三步conda 环境创建与 PyTorch 安装——精确匹配 wheel 名称创建环境命令必须带 Python 版本显式声明conda create -n d2l-gpu python3.9 conda activate d2l-gpu然后安装 PyTorch。绝对不要用pip install torch因为 pip 会默认装 CPU 版。必须用 PyTorch 官网提供的精确命令pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这条命令的含义是从https://download.pytorch.org/whl/cu121这个 index URL 下载所有包而该 URL 只包含 CUDA 12.1 编译的 wheel。你可以在浏览器打开这个链接看到一堆文件名如torch-2.2.0cu121-cp39-cp39-win_amd64.whl—— 这就是你要的。验证是否装对import torch print(torch.__version__) # 应输出 2.2.0cu121 print(torch.version.cuda) # 应输出 12.1 print(torch.cuda.is_available()) # 应输出 True如果torch.cuda.is_available()是 False但nvidia-smi正常说明 PyTorch 没找到 CUDA。此时运行print(torch._C._cuda_getCurrentDeviceId()) # 如果报错说明 CUDA context 初始化失败3.4 第四步cuDNN 的静默集成——conda-forge 的可靠封装PyTorch 官方 wheel 已经静态链接了 cuDNN但某些高级操作如torch.nn.functional.conv2d的特定 mode仍需动态加载cudnn64_8.dll。Windows 下最稳方案是用 conda 安装nvidia-cudnnconda install -c conda-forge nvidia-cudnnconda-forge 的nvidia-cudnn包会把cudnn64_8.dll放到envs\d2l-gpu\Library\bin并确保它在 PATH 前置位置。验证方法import torch x torch.randn(1, 3, 224, 224).cuda() conv torch.nn.Conv2d(3, 64, 3).cuda() y conv(x) # 如果这里不报错说明 cuDNN 调用成功注意不要手动下载 cuDNN ZIP 包解压因为 NVIDIA 的 cuDNN for Windows ZIP 包里包含多个版本的 dllcudnn64_8.dll, cudnn64_9.dll...放错位置会导致 PyTorch 加载错误版本。conda 封装已做版本锁定更安全。3.5 第五步Jupyter Notebook 的 GPU 环境绑定——kernel.json 的手动编辑你在d2l-gpu环境里pip install jupyter后启动jupyter notebook默认 kernel 是 base 环境的 Python不是你的d2l-gpu。必须手动注册 kernelconda activate d2l-gpu python -m ipykernel install --user --name d2l-gpu --display-name Python (d2l-gpu)然后在 Jupyter 中新建 notebook右上角 Kernel → Change kernel → 选择 “Python (d2l-gpu)”。但还不够有些用户发现 kernel 切换后torch.cuda.is_available()仍是 False原因是 Jupyter 启动时继承了旧的 PATH。解决方案重启 Jupyter 服务并在启动前确保d2l-gpu已激活conda activate d2l-gpu jupyter notebook此时 notebook 中运行import os print(os.environ.get(PATH)) # 确认 CUDA bin 和 conda env bin 在最前面4. 实操过程与核心环节实现从零开始的完整配置流水线4.1 CPU 版环境搭建轻量、稳定、适合笔记本用户适用场景MacBook Pro M2/M3、Surface Laptop、无独显的办公本、或 GPU 显存不足4GB的入门设备。重点是避开 CUDA 依赖获得确定性性能。步骤 1创建纯净 CPU 环境conda create -n d2l-cpu python3.9 conda activate d2l-cpu步骤 2安装 CPU 专用 PyTorchpip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu注意URL 是https://download.pytorch.org/whl/cpu不是cu121。安装后验证import torch print(torch.__version__) # 2.2.0cpu print(torch.cuda.is_available()) # False正确 # 但 CPU 计算仍加速 x torch.randn(10000, 10000) y torch.mm(x, x.t()) # 在 i7-11800H 上约 1.2 秒比纯 NumPy 快 3.5 倍步骤 3优化 CPU 性能可选但强烈推荐PyTorch CPU 版默认使用 Intel MKL但 Windows 上有时未启用。手动设置环境变量set OMP_NUM_THREADS8 set KMP_AFFINITYgranularityfine,verbose,compact,1,0 set KMP_BLOCKTIME1将以上三行保存为cpu-optimize.bat每次激活环境后运行验证 MKL 是否生效import torch print(torch.backends.mkldnn.enabled) # 应为 True步骤 4安装 d2l 库pip install d2l测试第一章线性回归import d2l from mxnet import np, npx npx.set_np() true_w np.array([2, -3.4]) true_b 4.2 features, labels d2l.synthetic_data(true_w, true_b, 1000) d2l.plot(features[:, (0)], labels, x1, label, figsize(5, 3))此代码在 CPU 环境下 100% 可运行且绘图响应迅速。4.2 GPU 版环境搭建驱动→CUDA→PyTorch→验证的四步闭环步骤 1驱动升级谨慎操作访问 https://www.nvidia.com/Download/index.aspx手动输入你的显卡型号如 “GeForce RTX 4090”、操作系统Windows 11 64-bit下载Game Ready Driver不是 Studio Driver版本选“Recommended”而非“Latest”。安装时选择“Custom (Advanced)” → 勾选 “Perform a clean installation” → 点击“Install”。为什么选 Game Ready因为 Studio Driver 为创意软件优化对深度学习框架的 CUDA kernel 调度不如 Game Ready 稳定。我实测 RTX 4090 Studio Driver 536.67 在训练 ViT 时出现 intermittent hang换 Game Ready 536.99 后消失。步骤 2CUDA Toolkit 12.1 安装访问 https://developer.nvidia.com/cuda-toolkit-archive选择 “CUDA Toolkit 12.1.1” → “Windows” → “x86_64” → “exe (network)”下载cuda_12.1.1_531.19_win10.exe约 3GB运行安装程序 → Custom Installation → 取消勾选 “NVIDIA GeForce Experience”它会后台更新驱动破坏你的版本锁定→ 勾选 “CUDA Development” 和 “Developer Tools” → 安装路径保持默认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1步骤 3conda 环境与 PyTorch 安装# 创建环境 conda create -n d2l-gpu python3.9 conda activate d2l-gpu # 安装 PyTorch精确到 cu121 pip3 install torch2.2.0cu121 torchvision0.17.0cu121 torchaudio2.2.0cu121 --index-url https://download.pytorch.org/whl/cu121 # 安装 cuDNN 封装 conda install -c conda-forge nvidia-cudnn # 安装 d2l pip install d2l步骤 4全链路验证脚本创建verify_gpu.pyimport torch import time print( PyTorch 版本验证 ) print(fPyTorch: {torch.__version__}) print(fCUDA: {torch.version.cuda}) print(fcuDNN: {torch.backends.cudnn.version()}) print(\n GPU 设备验证 ) print(fGPU 可用: {torch.cuda.is_available()}) if torch.cuda.is_available(): print(fGPU 数量: {torch.cuda.device_count()}) print(f当前 GPU: {torch.cuda.get_device_name(0)}) print(fGPU 内存: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.2f} GB) print(\n 性能验证 ) device torch.device(cuda if torch.cuda.is_available() else cpu) x torch.randn(8000, 8000, devicedevice) start time.time() y torch.mm(x, x.t()) end time.time() print(f8000x8000 矩阵乘法耗时: {end - start:.3f} 秒 ({GPU if device.typecuda else CPU})) print(\n d2l 兼容性验证 ) try: import d2l print(d2l 导入成功) # 运行书中经典测试 net torch.nn.Sequential(torch.nn.Linear(20, 256), torch.nn.ReLU(), torch.nn.Linear(256, 10)) net net.to(device) X torch.randn(2, 20, devicedevice) y net(X) print(模型前向传播成功) except Exception as e: print(fd2l 测试失败: {e})运行结果应类似 PyTorch 版本验证 PyTorch: 2.2.0cu121 CUDA: 12.1 cuDNN: 8.9.2 GPU 设备验证 GPU 可用: True GPU 数量: 1 当前 GPU: NVIDIA GeForce RTX 4090 GPU 内存: 24.00 GB 性能验证 8000x8000 矩阵乘法耗时: 0.421 秒 (GPU) d2l 兼容性验证 d2l 导入成功 模型前向传播成功4.3 VS Code 开发环境配置调试与可视化一体化VS Code 是李沐课程最友好的 IDE因其对 Jupyter notebook 和 Python debugging 的原生支持。步骤 1安装必要扩展PythonMicrosoft 官方JupyterMicrosoft 官方PylanceMicrosoft 官方提供类型提示Python Docstring GeneratorNils Werner自动生成 docstring步骤 2配置 workspace settings.json在项目根目录创建.vscode/settings.json{ python.defaultInterpreterPath: ./envs/d2l-gpu/python.exe, jupyter.defaultKernel: Python (d2l-gpu), python.testing.pytestArgs: [ . ], python.testing.pytestEnabled: true, editor.formatOnSave: true, python.formatting.provider: autopep8 }步骤 3调试配置 launch.json创建.vscode/launch.json{ version: 0.2.0, configurations: [ { name: Python: Current File, type: python, request: launch, module: IPython, args: [ -m, IPython, --no-autoindent, -c, import sys; sys.argv []; exec(open(r${file}).read()) ], console: integratedTerminal, justMyCode: true } ] }步骤 4GPU 调试技巧在代码中设断点后VS Code 调试器能显示 GPU tensor 的 shape 和 device但不能直接查看 GPU memory layout。你需要添加辅助打印# 在断点处插入 print(fX device: {X.device}, X shape: {X.shape}) print(fGPU memory allocated: {torch.cuda.memory_allocated()/1024**2:.1f} MB) print(fGPU memory reserved: {torch.cuda.memory_reserved()/1024**2:.1f} MB)4.4 常见失败场景复盘从报错日志反推故障点我整理了 27 个学员提交的真实报错按发生频率排序给出精准定位路径报错信息根本原因定位命令解决方案OSError: [WinError 126] 找不到指定的模块PATH 中 CUDA bin 未前置或 cudart.dll 版本不匹配where cudart64_121.dll将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin加入 PATH 前置torch.cuda.is_available() returns False驱动版本过低不支持所装 CUDAnvidia-smi→ 查驱动版本 → 对照 CUDA 支持表升级 NVIDIA 驱动至支持 CUDA 12.1 的最低版本≥515.65ImportError: DLL load failed while importing torchconda 环境未激活或 pip 安装了 CPU 版conda activate d2l-gpu→python -c import torch重装 PyTorchpip uninstall torch→pip install torch --index-url https://download.pytorch.org/whl/cu121RuntimeError: CUDA error: no kernel image is available for execution on the deviceGPU 架构不匹配如用 RTX 4090 跑只编译了 sm_86 的 wheeltorch.cuda.get_device_properties(0).major检查 PyTorch wheel 是否支持你的 GPU 架构RTX 40xx 是 sm_89需 PyTorch ≥2.2ModuleNotFoundError: No module named d2ld2l 未在当前 kernel 环境安装pip list | findstr d2l在d2l-gpu环境中运行pip install d2l实操心得遇到任何报错第一步不是 Google而是运行nvidia-smi和python -c import torch; print(torch.__version__, torch.version.cuda)。90% 的问题能通过这两个命令缩小范围。Google 搜索时把报错信息 “windows” “pytorch 2.2” 一起搜避免被旧版教程误导。5. 常见问题与排查技巧实录来自真实踩坑现场的 12 条经验5.1 “nvidia-smi 正常但 torch.cuda.is_available() 是 False”——最经典的三连问这个问题我每天至少收到 3 次咨询。它不是单一原因而是三层漏斗第一层驱动是否真支持 CUDA运行nvidia-smi看顶部 “CUDA Version” 字段。注意这个字段显示的是驱动内置的 CUDA 版本不是你装的 CUDA Toolkit 版本。例如驱动显示 “CUDA Version: 12.2”说明它最高支持 CUDA 12.2但你装了 CUDA 12.1完全没问题但如果它显示 “CUDA Version: 11.2”而你装了 CUDA 12.1那必然失败。第二层CUDA 是否被 PATH 正确加载在 PowerShell 中运行$env:PATH -split ; \| Where-Object { $_ -like *CUDA* }如果输出为空说明 CUDA bin 没加进 PATH。手动添加$env:PATH C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin; $env:PATH第三层PyTorch 是否链接了正确的 cudart进入 Python运行import torch print(torch._C._cuda_getCurrentDeviceId()) # 如果报错说明 CUDA context 初始化失败如果报错RuntimeError: cuda runtime error (30) : unknown error at ..\aten\src\ATen\cuda\CUDAContext.cpp:103大概率是 cudart.dll 版本冲突。此时运行Get-Process -Name python \| ForEach-Object { $_.Modules \| Where-Object { $_.ModuleName -like cudart* } }看加载的是哪个路径下的 cudart。如果是C:\Windows\System32\cudart64_110.dll说明系统 PATH 里有旧版 CUDA必须把它从 PATH 中移除。5.2 “Jupyter notebook 里 torch.cuda.is_available() 是 True但训练时显存不释放”——内存泄漏的隐形杀手现象跑完一个 epochnvidia-smi显示 GPU memory usage 从 1.2GB 涨到 2.4GB再跑一个 epoch 涨到 3.6GB最终 OOM。这不是 PyTorch bug而是Python GC 与 CUDA cache 的不同步。解决方案在每个 epoch 结束后手动清理for epoch in range(num_epochs): # 训练循环... trainer.train_epoch(train_iter, net, loss, updater) # 关键清理步骤 torch.cuda.empty_cache() #