装深度学习环境这件事最折磨人的从来不是写模型而是 CUDA、cuDNN 和 PyTorch 这三者到底怎么配。显卡明明在nvidia-smi也正常torch.cuda.is_available()却给你一个冷冰冰的False或者训练跑到一半突然来一句 cuDNN error再或者 pip 装完 torch 才发现自己装的是 CPU 版。深度学习环境配置里CUDA、cuDNN、PyTorch 版本选择与搭配核心不是背一张死表而是理解依赖链NVIDIA 驱动决定你能跑多新的 CUDA RuntimeCUDA Runtime 和 cuDNN 决定 PyTorch 预编译包能不能正常加载PyTorch 版本又决定它默认绑定的 CUDA 和 cuDNN 组合。这个内容适合刚入门的新手、要复现论文的研究生、维护实验室服务器的同学也适合需要在 Docker 里固定环境的工程团队。下面我按依赖逻辑、版本搭配、实操安装、多版本共存、报错排查、场景建议的顺序把这件事一次讲透。1. 先把依赖链捋顺驱动、CUDA Runtime、Toolkit、cuDNN、PyTorch 各管什么很多人一上来就问“我该装 CUDA 几点几”这个问题其实问早了。你得先知道你说的 CUDA 是哪一层。NVIDIA 这套生态里至少有五个容易混淆的东西显卡驱动、驱动里的 CUDA Driver API、系统里的 CUDA Toolkit、CUDA Runtime、cuDNN以及 PyTorch 自己带的 CUDA 运行库。它们不是平级关系而是层层依赖。你只要把这张关系图在脑子里立起来后面 90% 的版本问题都能自己推。1.1 一张表讲清五层依赖别再混着叫 CUDA层级常见查看方式作用是否必须手动安装NVIDIA 驱动nvidia-smi让系统认识显卡提供 Driver API必须随显卡/系统安装驱动支持的 CUDA 版本nvidia-smi右上角表示当前驱动最高能跑哪代 CUDA Runtime不需要单独装CUDA Toolkitnvcc --version提供编译器 nvcc、头文件、库用于编译自定义 CUDA 扩展只有编译扩展时才必须CUDA Runtimetorch.version.cudaPyTorch 实际调用的 CUDA 运行库版本通常由 PyTorch 包自带或 conda 拉取cuDNNtorch.backends.cudnn.version()深度神经网络加速库卷积、RNN 等算子会用到PyTorch 包通常会绑定对应版本PyTorchtorch.__version__上层框架决定它期望的 CUDA/cuDNN 组合按官方命令安装这张表里最关键的一句话是nvidia-smi显示的 CUDA Version 不是你安装的 CUDA Toolkit 版本而是驱动支持的最高 CUDA Runtime 版本。比如它显示CUDA Version: 12.4而你nvcc --version显示 11.8这不代表冲突。驱动向下兼容旧 RuntimePyTorch 用 11.8 编译的包照样能跑。反过来如果nvidia-smi显示 11.4你非要装 PyTorch 的 cu121 包那就很可能失败因为驱动太老撑不起 12.1 Runtime。1.2 为什么“CUDA 版本”经常对不上对不上通常有三种情况。第一种是查看对象不同nvidia-smi看的是驱动能力nvcc --version看的是系统 Toolkittorch.version.cuda看的是 PyTorch 编译时用的 Runtime。三个数字不一样很正常。第二种是安装方式不同conda 安装 PyTorch 时pytorch-cuda11.8会拉取一套 CUDA 运行库到 conda 环境里它不依赖/usr/local/cuda。pip 安装官方 wheel 时PyTorch 会把需要的 CUDA 库打进torch/lib目录。所以系统里有没有完整 CUDA Toolkit和 PyTorch 能不能用 GPU是两件事。第三种是编译扩展时暴露的你跑pip install flash-attn、deepspeed、自定义 CUDA 算子时构建系统会找nvcc、CUDA_HOME、torch.utils.cpp_extension这时系统 Toolkit、PyTorch CUDA 版本、驱动版本必须能对上否则就会出现undefined symbol、no kernel image is available之类的硬错误。我自己的习惯是训练和推理优先用官方预编译包不折腾系统 CUDA只有明确要编译自定义算子时才去装对应版本的 CUDA Toolkit并且尽量让 Toolkit 大版本和 PyTorch 的 CUDA 大版本一致。比如 PyTorch 用的是 cu118那系统 Toolkit 也装 11.8CUDA_HOME指向/usr/local/cuda-11.8。这样 nvcc 编译出来的扩展和 PyTorch 运行库更容易兼容。1.3 cuDNN 不是越新越好它和 CUDA 是绑定关系cuDNN 是 NVIDIA 的深度神经网络库PyTorch 的卷积、池化、归一化等很多操作都会走 cuDNN。它不是独立于 CUDA 的每个 cuDNN 大版本都对应一组 CUDA 版本。比如 cuDNN 8.x 主要服务 CUDA 11.x 和部分 12.xcuDNN 9.x 主要面向 CUDA 12.x。你如果手动下载 cuDNN 覆盖系统库一定要选和 CUDA Toolkit 匹配的版本否则会出现libcudnn.so找不到或者加载后报CUDNN_STATUS_NOT_INITIALIZED。但这里有个省心点PyTorch 官方 pip wheel 通常已经带了匹配的 cuDNN 运行库conda 安装也会根据包依赖拉取对应版本。所以大多数新手根本不需要单独下载 cuDNN 压缩包手动拷贝。手动装 cuDNN 的经典场景是你在编译 TensorRT、某些推理框架或者用系统级 CUDA 做 C 开发。纯 PyTorch 训练优先相信包管理器。注意不要看到网上教程让你把 cuDNN 的include和lib64拷贝到/usr/local/cuda就照做。先确认你的 PyTorch 是不是已经自带 cuDNN否则容易把系统库搞乱。2. 版本搭配指南从显卡驱动倒推最稳组合版本搭配的正确顺序不是“先选 PyTorch再选 CUDA最后看驱动”而是反过来先看显卡和驱动确定驱动最高支持到哪代 CUDA再看 PyTorch 官方提供了哪些预编译组合最后在可用组合里选一个最稳、生态兼容最好的。这个顺序能避免你装完才发现驱动太老或者显卡太新而旧 PyTorch 不支持。2.1 第一步永远是看驱动和显卡Linux 下先跑nvidia-smi重点看三行Driver Version、CUDA Version、GPU 型号。Windows 下同样在命令行运行nvidia-smi。如果命令不存在说明驱动没装好或者显卡没被系统识别。服务器上还要确认你不是在登录节点看而是在有 GPU 的计算节点看。驱动和 CUDA 的最低版本关系常见参考如下但最终以 NVIDIA 官方 Release Notes 为准CUDA Runtime 大版本Linux 驱动常见最低要求说明CUDA 11.7450.80.02 以上较老项目常见CUDA 11.8450.80.02 以上兼容性极好PyTorch 长期支持CUDA 12.1525.60.13 以上30/40 系显卡常用CUDA 12.4550.54.14 以上新卡和新框架常用如果你驱动是 470 系列就不要强行上 CUDA 12.x 的 PyTorch 包优先选 cu118。如果你驱动是 535 或更高cu118 和 cu121 都能跑具体看你项目依赖。这里有个常见误区nvidia-smi显示 CUDA Version 12.4不代表你必须装 cu124。它只说明驱动能力上限你装 cu118 完全没问题。2.2 PyTorch 官方轮子对应的组合优先抄官网PyTorch 官网的安装命令生成器是最可靠的信息源。它会根据你选的 PyTorch 版本、操作系统、包管理器、CUDA 版本给出对应命令。常见稳定组合我整理成表方便你快速定位PyTorch 版本官方常见 CUDA 组合对应 cuDNN 常见版本适用场景1.13.1cu1178.5 左右老论文、老代码2.0.xcu117 / cu1188.7 左右过渡期项目2.1.x - 2.2.xcu118 / cu1218.9 左右稳定训练、生态兼容好2.3.x - 2.4.xcu118 / cu1218.9 左右新特性与稳定性平衡2.5.x 及以上cu118 / cu121 / cu1249.x 常见新卡、新算子、新框架这张表不是让你死记而是让你知道“大版本对应关系”。比如你要用torch.compile、FlashAttention 新版本、新版 transformers通常需要 PyTorch 2.1 以上如果你要复现 2021 年的论文可能 PyTorch 1.13 cu117 更省事。选版本时优先看你的项目requirements.txt或论文仓库的 README其次看显卡架构。RTX 40 系显卡建议 CUDA 11.8 以上H100 等新架构建议 CUDA 12.x否则旧 PyTorch 可能不认识新算力报no kernel image is available for execution on the device。2.3 保守派和激进派怎么选如果你是个人学习、课程作业、小项目我建议保守派CUDA 11.8 PyTorch 2.1 到 2.4 之间的稳定版。原因很简单cu118 的生态兼容性最好大量第三方库都有对应 wheel驱动要求也不高30 系、40 系显卡都能跑。缺点是享受不到最新 CUDA 12.4 的某些新特性但对 99% 的训练任务没影响。如果你是团队服务器、要追新模型、用新卡建议激进派CUDA 12.1 或 12.4 较新 PyTorch。但前提是驱动足够新Docker 基础镜像、NCCL、TensorRT、vLLM 等组件也要同步跟上。激进派的坑在于生态碎片化有的库只发 cu121 wheel有的只支持 cu124混装容易冲突。解决办法是固定一个基础镜像所有依赖在里面装别在宿主机上东拼西凑。实操心得我选版本时有个“三看”原则。一看驱动能不能撑住二看项目 README 有没有锁定版本三看 PyTorch 官网有没有现成 wheel。三者取交集基本不会翻车。3. 实操用 conda 从零搭一套可复现的 PyTorch GPU 环境下面这套流程是我在 Ubuntu 服务器和个人工作站上反复用过的核心思路是用 conda 做环境隔离用官方渠道装 PyTorch不让系统 CUDA 污染项目环境。你如果是 Windows命令基本一致只是路径和驱动安装方式不同。3.1 环境隔离和基础工具准备先确认 conda 可用然后建一个独立环境。Python 版本不要盲目追新3.10 是目前兼容性很稳的选择3.11 也可以3.12 在部分老库上还会遇到 wheel 缺失。conda create -n dl-cu118 python3.10 -y conda activate dl-cu118 python -V接着检查驱动nvidia-smi如果这一步报错先解决驱动不要继续装 PyTorch。驱动安装方式因系统而异服务器上通常由管理员统一维护个人机器可以用系统包管理器或官方驱动安装包。这里不展开驱动安装细节原则是驱动版本要满足你打算使用的 CUDA Runtime 最低要求。3.2 安装命令与版本锁定conda 安装方式适合希望包管理器统一处理依赖的人conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia -y如果你要用 CUDA 12.1把pytorch-cuda11.8改成pytorch-cuda12.1。注意-c pytorch -c nvidia的顺序别混入不明渠道的包。pip 安装方式适合需要精确对应官方 wheel 的人pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118CUDA 12.1 对应pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121CUDA 12.4 对应pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124这里要强调pip 和 conda 不要在同一环境里反复混装 torch。如果你先用 conda 装了 PyTorch又用 pip 装一遍很容易出现两个 torch 路径import torch到底加载哪个都说不清。排查时先跑conda list | grep torch pip list | grep torch python -c import torch; print(torch.__file__)如果发现重复最干净的办法是删环境重建。环境重建十分钟排查依赖冲突可能十小时。3.3 验证是否真的用上 GPU装完必须验证不要只看安装日志没报错就以为成功。跑这段 Pythonimport torch print(torch version:, torch.__version__) print(cuda version:, torch.version.cuda) print(cudnn version:, torch.backends.cudnn.version()) print(cuda available:, torch.cuda.is_available()) print(device count:, torch.cuda.device_count()) if torch.cuda.is_available(): print(device name:, torch.cuda.get_device_name(0)) x torch.randn(1024, 1024, devicecuda) y x x print(matmul ok:, y.shape, y.device)期望输出里cuda available是 Truedevice name是你的显卡型号矩阵乘法能在 CUDA 上完成。如果torch.version.cuda是 None说明装的是 CPU 版如果cuda available是 False但torch.version.cuda有值通常是驱动太老、显卡不可见、容器没加--gpus all或者 WSL 驱动没配对。3.4 编译自定义扩展时再管 nvcc只有当你需要编译 CUDA 扩展时才需要系统里有nvcc。检查nvcc --version which nvcc echo $CUDA_HOME如果nvcc版本和torch.version.cuda大版本不一致编译扩展时可能出问题。比如 PyTorch 是 cu118系统 nvcc 是 12.1某些扩展会链接到错误 Runtime。稳妥做法是安装与 PyTorch CUDA 大版本一致的 Toolkit并在当前 shell 里设置export CUDA_HOME/usr/local/cuda-11.8 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH然后重新检查nvcc --version。注意这些环境变量只对当前终端生效写进.bashrc前要确认不会影响其他项目。多版本共存时更推荐在激活 conda 环境后设置而不是全局写死。注意conda install cudatoolkit和conda install pytorch-cuda不是一回事。前者是较老的 CUDA 运行库包后者是 PyTorch 官方渠道推荐的 CUDA 依赖包。新环境优先用pytorch-cuda别照着五年前教程装cudatoolkit10.2。4. 多版本 CUDA 共存与切换别把系统搞崩实际工作中你很可能同时维护多个项目一个老项目要 CUDA 10.2一个新项目要 CUDA 11.8另一个要 CUDA 12.1。最忌讳的做法是每次重装系统级 CUDA把/usr/local/cuda软链接改来改去最后所有项目都受影响。正确思路是隔离conda 环境隔离、容器隔离、模块化环境变量隔离。4.1 conda 环境自带 CUDA 运行库优先用它对于纯 Python PyTorch 项目我强烈建议每个项目一个 conda 环境并在环境里安装对应的pytorch-cuda。这样不同环境的 CUDA Runtime 互不干扰系统里甚至不需要完整 CUDA Toolkit。比如conda create -n project-a python3.10 -y conda activate project-a conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia -y conda create -n project-b python3.10 -y conda activate project-b conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia -y切换项目时只需conda activate project-a或conda activate project-bPyTorch 会加载各自环境里的运行库。这是最省心、最不容易污染系统的方案。唯一要注意的是conda 环境里的nvcc可能不存在因为 conda 的pytorch-cuda主要提供运行库不保证提供完整编译器。如果你要编译扩展再单独装cuda-toolkit或使用系统 Toolkit。4.2 系统级多版本切换的环境变量写法有些 C/CUDA 项目必须在系统层用 nvcc这时可以把不同版本装在/usr/local/cuda-11.8、/usr/local/cuda-12.1不要频繁改/usr/local/cuda软链接而是写两个切换脚本。比如在~/.bashrc里加函数use_cuda118() { export CUDA_HOME/usr/local/cuda-11.8 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH } use_cuda121() { export CUDA_HOME/usr/local/cuda-12.1 export PATH$CUDA_HOME/bin:$PATH export LD_LIBRARY_PATH$CUDA_HOME/lib64:$LD_LIBRARY_PATH }使用前先use_cuda118再nvcc --version确认。这里有个坑LD_LIBRARY_PATH会不断追加切换多次后可能同时包含多个 CUDA 的 lib64导致运行时加载到错误版本的libcudart.so。更稳的写法是切换时先清理旧路径或者用module load这类环境模块工具。个人机器上如果只是 PyTorch 训练还是建议回到 conda 隔离别在系统层折腾。4.3 Docker 场景下把版本固定死团队服务器最推荐 Docker。基础镜像直接选 PyTorch 官方镜像或 NVIDIA CUDA 镜像版本写死在 Dockerfile 里。示例FROM pytorch/pytorch:2.4.0-cuda12.1-cudnn8-runtime RUN pip install --no-cache-dir transformers datasets accelerate运行容器时docker run --gpus all -it --rm \ -v $PWD:/workspace \ pytorch/pytorch:2.4.0-cuda12.1-cudnn8-runtime \ bash进容器后跑python -c import torch; print(torch.cuda.is_available())验证。Docker 的好处是宿主机驱动只要满足最低要求容器内的 CUDA/cuDNN/PyTorch 完全固定换机器、换同事、上集群都一致。注意宿主机需要安装好 NVIDIA 驱动和容器运行时支持否则--gpus all不会生效。如果你在 Kubernetes 或 Slurm 集群里通常由平台团队提供 GPU 调度和镜像支持你只需要把镜像版本写清楚。实操心得我维护过一个实验室服务器最开始大家共用系统 Python结果 A 同学升级了 CUDAB 同学的老代码直接跑不起来。后来全部改成“一个项目一个 conda 环境”或“一个项目一个 Docker 镜像”版本冲突问题少了八成。环境隔离不是洁癖是省时间。5. 常见报错与排查表从 CUDA available False 到 cuDNN 版本不匹配版本问题最终都会以报错形式出现。下面这张表是我这些年遇到频率最高的几类按症状、可能原因、处理动作整理你可以直接对着排查。5.1 症状、根因、处理动作速查症状常见根因处理动作torch.cuda.is_available()返回 False装了 CPU 版驱动太老容器没加--gpus all显卡不可见先看torch.version.cuda是否为 None再查nvidia-smi容器检查运行时nvcc --version和torch.version.cuda不一致系统 Toolkit 与 PyTorch 编译版本不同编译扩展时统一大版本纯训练可忽略undefined symbol: cudnn...cuDNN 版本不匹配库路径混乱重建环境不要手动拷贝 cuDNN检查LD_LIBRARY_PATHno kernel image is availablePyTorch 太旧不支持新显卡算力升级 PyTorch/CUDA40 系用 cu118 以上CUDA out of memory显存不足不一定是版本问题减小 batch清缓存检查是否有残留进程libcudnn.so.8: cannot open shared object file缺 cuDNN 或路径不对用官方包重装确认 cuDNN 与 CUDA 匹配RuntimeError: cuDNN error: CUDNN_STATUS_NOT_INITIALIZEDcuDNN 初始化失败常见于版本错配或显存不足检查版本重启进程降低显存占用ImportError: libcudart.so.11.0系统找不到 CUDA Runtime安装对应 PyTorch 包设置LD_LIBRARY_PATH优先 conda 隔离torch.__version__对但 GPU 用不上环境里有两个 torch加载错路径print(torch.__file__)清理重复包重建环境排查时记住一个顺序先确认驱动再确认 PyTorch 是不是 GPU 版再确认 CUDA Runtime 和 cuDNN 版本最后才看系统 Toolkit。很多新手一上来就重装 CUDA Toolkit其实问题只是 pip 装了 CPU 版 torch。跑一句python -c import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())如果输出类似2.4.0 None False那就是 CPU 版重新按官网 GPU 命令安装即可。5.2 几个我踩过的坑第一个坑pip 缓存。你之前装过 CPU 版 torch后来想换 GPU 版pip 可能从缓存里拿旧 wheel。我的做法是加--no-cache-dir或者先pip uninstall torch torchvision torchaudio -y再装。更彻底的是新建 conda 环境。第二个坑conda install cudatoolkit和pip install torch混搭。conda 的 cudatoolkit 可能提供一套 CUDA 运行库pip 的 torch 又自带一套两者版本不一致时运行时可能加载错库。纯 PyTorch 项目要么全 conda 官方渠道要么全 pip 官方 wheel别混。第三方库用 pip 补装没问题但 torch 本身尽量只装一次。第三个坑显卡驱动太新但 PyTorch 太旧。新驱动向下兼容旧 CUDA所以一般没事但新显卡需要新 PyTorch 支持。比如 RTX 40 系早期用 PyTorch 1.12 可能报算力不支持升级到 2.x cu118 就好了。买新卡的同学别照搬老教程里的 CUDA 10.2 PyTorch 1.7。第四个坑服务器上nvidia-smi正常但torch.cuda.is_available()在登录节点 False。这通常是因为登录节点没有 GPU或者容器没挂载设备。先确认你在计算节点再确认调度器有没有分配 GPU。如果是 Slurm检查CUDA_VISIBLE_DEVICES是否被设置成了空值。这个变量一旦是空字符串PyTorch 就看不到任何 GPU。第五个坑手动装 cuDNN 后系统里出现多个版本。/usr/local/cuda/lib64和 conda 环境里各有一套编译时链接到 A运行时加载 B报错非常隐蔽。我的建议是能用包管理器就用包管理器能容器化就容器化。手动拷贝 cuDNN 是最后手段而且拷贝前先备份原目录。注意遇到版本报错先把nvidia-smi、nvcc --version、python -c import torch; ...、conda list | grep -E torch|cuda|cudnn四条信息收集全再动手改。盲目重装只会把问题越埋越深。6. 给不同人群的最终搭配建议版本搭配没有唯一正确答案只有适合场景的答案。下面按学生个人机、团队服务器、论文复现三类场景给建议。你可以把它当成起点再根据项目依赖微调。6.1 学生个人机稳定优先CUDA 11.8 是甜点区个人笔记本或台式机显卡多为 RTX 30 系或 40 系驱动一般比较新。我的推荐组合是CUDA 11.8 PyTorch 2.1 到 2.4 中较新的稳定版 Python 3.10。安装方式用 conda 或 pip 官方 wheel 都行优先 pip 官方索引因为 wheel 体积小、版本明确。这个组合兼容绝大多数教程、开源项目和第三方库FlashAttention、bitsandbytes、transformers 都有对应支持。如果你显卡是 40 系且想用最新特性也可以上 CUDA 12.1 PyTorch 2.4但要注意部分老库还没发 cu121 wheel需要自己编译或降级。个人机还有一个现实问题显存小。版本装对了也常遇到 OOM。建议装完环境后立刻跑一个小矩阵乘法验证再跑一个实际模型的小 batch确认显存峰值。别等训练到一半才发现 8GB 显存跑不动 7B 模型的全量微调那不是版本问题是硬件问题。6.2 团队服务器Docker 固定版本别让系统 CUDA 裸奔团队服务器最重要的是可复现。推荐做法是宿主机只维护 NVIDIA 驱动和容器运行时所有项目用 Docker 镜像。基础镜像选 PyTorch 官方镜像比如pytorch/pytorch:2.4.0-cuda12.1-cudnn8-runtime项目依赖写进 Dockerfile 或requirements.txt。每个人拉同一个镜像跑同样的命令版本问题从“玄学”变成“工程”。如果团队多人共用一台机器conda 环境也可以但必须约定命名规范比如项目名_py310_cu118并且每个人只动自己的环境。服务器上还要注意 NCCL 版本。多卡训练时NCCL 和 CUDA、PyTorch 也有兼容关系。PyTorch 官方镜像通常已经配好 NCCL自己从源码装容易踩坑。多卡报NCCL error、unhandled cuda error时先检查容器有没有暴露所有 GPU再检查NCCL_DEBUGINFO输出不要一上来就重装 CUDA。6.3 论文复现先尊重原始依赖再谈升级复现论文是最容易被版本坑的场景。很多论文仓库写的是两年前的torch1.7.1、cuda10.2你如果直接上最新 PyTorch可能因为 API 变化、算子行为变化、cuDNN 算法变化导致结果对不上。我的建议是先看 README 和环境文件尽量按原始版本建环境如果原始版本太老新显卡不支持再逐步升级每次只升一个大版本并记录结果差异。比如先升到 PyTorch 1.13 cu117再升到 2.0 cu118观察指标变化。不要一次从 1.7 跳到 2.4那样出了问题你都不知道是哪一步引入的。复现时还要注意 CUDA 确定性。有些论文结果对随机种子和 cuDNN 算法敏感。你可以在代码里设置import torch torch.manual_seed(42) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark FalsedeterministicTrue会让 cuDNN 选择确定性算法速度可能变慢但结果更可复现。benchmarkTrue会自动选最快算法适合固定输入尺寸的训练但会引入非确定性。复现论文时先关 benchmark等结果对上了再考虑打开加速。6.4 环境记录出问题前先留证据最后给一个非常实用但常被忽略的建议环境配好后立刻把关键信息保存下来。跑以下命令生成env-info.txt{ date nvidia-smi python -V pip list | grep -E torch|nvidia|cuda|cudnn|tensorrt|transformers conda list | grep -E torch|cuda|cudnn|python python -c import torch; print(torch.__version__, torch.version.cuda, torch.backends.cudnn.version(), torch.cuda.is_available()) } env-info.txt以后环境坏了、换机器了、同事要复现直接看这个文件。比回忆“当时好像装的是 11.8”靠谱得多。如果是 conda 环境还可以conda env export environment.yml纯 pip 环境用pip freeze requirements.txt。注意conda env export可能带本地路径和平台信息跨平台复现时手动删掉prefix行或者用conda env export --from-history只导出显式安装的包。我个人在实际操作中的体会是CUDA、cuDNN、PyTorch 版本搭配这件事最怕的不是复杂而是乱。只要你坚持“先看驱动再看官方 wheel能隔离就隔离能容器就容器改之前先记录”的原则大部分报错都能在半小时内定位。真正浪费时间的是东装一个版本、西改一个软链接最后自己都不知道系统里有什么。把环境当成项目的一部分来管理而不是装完就忘的临时步骤后面训练和部署会轻松很多。最后再分享一个小技巧新机器到手先别急着装项目依赖先用官方命令装一个最小 PyTorch GPU 环境跑通torch.cuda.is_available()和一次矩阵乘法再往上叠框架。这个基线一旦稳了后面出问题你就知道该怀疑上层库而不是怀疑显卡。