最稳方案是用conda直接安装PyTorch 2.5.1+CUDA 12.4，无需手动装CUDA Toolkit或cuDNN；前提是nvidia-smi显示驱动支持CUDA≥12.4（如12.4或12.5），且驱动版本≥535.104，再执行conda create -n pt25 python=3.11与conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia。
直接用 conda 安装 PyTorch 2.5.1 + CUDA 12.4 是目前最稳、最省事的方案，不用手动装 CUDA Toolkit 或 cuDNN。
确认显卡驱动是否支持 CUDA 12.4
这是整个流程的硬性前提，跳过必失败。打开终端执行：
nvidia-smi
看右上角 CUDA Version 字段 —— 它不是你已装的 CUDA 版本，而是当前驱动**最高能支持的 CUDA 运行时版本**。必须 ≥ 12.4 才能装 pytorch-cuda=12.4。比如显示 CUDA Version: 12.4 或 12.5 都可以；若显示 11.8，就得先去 NVIDIA 官网升级驱动，再继续。
用 conda 创建干净环境并安装全家桶
conda 能自动拉取匹配的 torch、torchvision、torchaudio 和 CUDA 运行时，避免 pip 混装导致的版本错位。执行以下命令：
立即学习“Python免费学习笔记（深入）”；
conda create -n pt25 python=3.11 -y<br>conda activate pt25<br>conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia -y
-
python=3.11是 PyTorch 2.5.1 官方明确支持且最稳定的 Python 版本（3.12 尚未被所有 wheel 支持） -
pytorch-cuda=12.4是关键参数，它告诉 conda 要装带 CUDA 12.4 支持的 PyTorch 构建，而非 CPU 版 - 不要用
pip install torch加--index-url，容易漏装torchvision对应版本，引发AttributeError: module 'torchvision' has no attribute 'models'
验证 CUDA 是否真正可用
装完别急着跑模型，先确认 GPU 被识别：
python -c "import torch; print(torch.cuda.is_available()); print(torch.version.cuda); print(torch.cuda.device_count())"
预期输出：
True<br>12.4<br>1
如果第一行是 False，常见原因有：
- 没激活环境（
conda activate pt25漏了） -
nvidia-smi显示驱动支持 CUDA 12.4，但系统里实际没装 CUDA Toolkit —— 其实 conda 不需要它，pytorch-cuda=12.4自带精简运行时；但某些旧版驱动（如 525.x 系列）对 CUDA 12.4 支持不完整，需升到 535.x 或更高 - Windows 上杀毒软件拦截了 CUDA DLL 加载，临时禁用试试
真正麻烦的是驱动和 conda channel 的隐式耦合：nvidia channel 提供的 pytorch-cuda=12.4 构建，只保证在 driver ≥ 535.104 的环境下通过测试。低于这个版本，即使 nvidia-smi 显示 12.4，也可能出现 cudaErrorInitializationError —— 这个细节几乎没人提，但实测踩坑率极高。
