先运行nvidia-smi确认驱动就绪：若命令未找到或报错“NVIDIA-SMI has failed...”，说明驱动未安装成功；正常输出需含GPU型号、驱动版本（如535.104.05）及CUDA Version（如12.2），该版本为驱动支持的最高CUDA运行时版本，须≥后续cudatoolkit版本。
确认驱动与硬件是否就绪
别急着装包，先看 nvidia-smi 能不能跑出来。如果命令未找到或报错 NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver，说明驱动根本没装好，后续所有 conda 操作都白搭。
正常输出应包含 GPU 型号、驱动版本（如 Driver Version: 535.104.05）和右上角的 CUDA Version: 12.2 ——注意，这个数字只是驱动“支持的最高 CUDA 运行时版本”，不是你实际要用的版本，但必须 ≥ 后续安装的 cudatoolkit 版本。
- 驱动版本太老（如 cuda error: no kernel image for this gpu，尤其在 A100/H100 上高频出现
- 笔记本双显卡用户需确认独显被启用（非集显直连），
nvidia-smi必须有输出 - WSL2 用户需单独启用 GPU 支持，且驱动必须装在 Windows 主系统，WSL 内无需再装
创建环境时指定 Python 和 CUDA 兼容版本
conda 环境不是“先装 Python 再配 CUDA”，而是靠 pytorch-cuda=xx.x 这个元包触发整套依赖解析。它会自动拉取匹配的 cudatoolkit、pytorch 构建版本和底层 ABI 兼容库（如 libcudart.so.12）。
执行这行命令即可完成环境创建 + 核心框架安装：
立即学习“Python免费学习笔记（深入）”；
conda create -n torch124 python=3.10 pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
- 不要分开执行
conda install pytorch和conda install cudatoolkit，二者版本脱节会导致torch.cuda.is_available()返回False -
python=3.10是当前 PyTorch 2.4+ 官方推荐的稳定版本；Python 3.13 尚未被主流pytorch-cuda包支持 - 若需 CUDA 11.8（如兼容旧 cuDNN 8.6），把
pytorch-cuda=12.4换成pytorch-cuda=11.8即可，conda 会自动降级相关组件
验证时绕过常见假阴性陷阱
运行 import torch; print(torch.cuda.is_available()) 返回 False 不代表失败——可能只是验证方式错了。
- 确保在激活的环境中运行：先
conda activate torch124，再进python，否则 import 的是 base 环境的 CPU 版本 -
torch.version.cuda为空？不用管，这是预期行为；关键看torch._C._cuda_getCurrentRawStream(0)是否不抛异常 - 真正有效的验证是分配张量：
torch.ones(1).cuda()，如果报RuntimeError: CUDA out of memory，恭喜，GPU 已识别成功（只是显存不够） - 若报
libcudart.so.xx: cannot open shared object file，说明cudatoolkit没装对，用conda list cudatoolkit检查版本，并确认构建字符串含cuda124或对应后缀
为什么不用 pip + 官方 wheel？
因为 pip 安装的 torch-2.4.0+cu121 wheel 依赖系统级 CUDA Toolkit（/usr/local/cuda），而 conda 的 cudatoolkit 是精简自包含包，只放 runtime 库（libcudart.so, libcublas.so），不带编译器或头文件。
- 系统 CUDA 和驱动版本不匹配时，pip 方式极易触发
CUDA driver version is insufficient - conda 环境删除干净（
conda env remove -n torch124），不会残留/usr/local/cuda下的冲突文件 - 多项目并行时，不同环境可共存
pytorch-cuda=11.8和pytorch-cuda=12.4，互不干扰
最易被忽略的一点：conda 安装的 cudatoolkit 不修改系统 PATH 或 LD_LIBRARY_PATH，它通过硬链接把 so 文件打进环境 site-packages，所以千万别手动加 export LD_LIBRARY_PATH=/usr/local/cuda/lib64——这反而会破坏 conda 的隔离机制。
