PyTorch 深度学习开发常见疑难报错与解决方案汇总

本文旨在系统记录使用 PyTorch 进行深度学习开发过程中遇到的各类疑难报错与异常问题，详细梳理报错现象、排查思路及最终解决方案。一方面是为了复盘问题解决过程，沉淀技术经验；另一方面也能避免后续再次遇到同类问题时重复踩坑，提升开发效率。

1 使用torchrun报错

failed to create process.

找到D:\LMZFile\Anaconda3\envs\bisenet\Scripts\torchrun-script.py,修改第一行的python环境，如下图所示：

2 conda activate报错

CommandNotFoundError: Your shell has not been properly configured to use 'conda activate'.

报错原因：当前的 shell 进程没有加载最新的.bashrc配置（conda init的配置会写入.bashrc，但仅对新进程生效）。

解决办法：

cmd 复制代码

source ~/.bashrc

3 PyTorch 与 CUDA 相关核心报错

3.1 CUDA 内核加载报错

CUDA error: no kernel image is available for execution on the device

问题根因

版本不匹配核心问题：当前安装的 CUDA Toolkit 版本、PyTorch 版本、本地 GPU 硬件型号三者之间不兼容，PyTorch 编译时内置的 CUDA 内核镜像，无法适配当前 GPU 的硬件算力，导致内核无法加载执行。
解决方案

根据本地 GPU 的计算能力（Compute Capability），重新安装与之匹配的 PyTorch + CUDA 版本组合，确保三者算力与版本完全兼容。

3.2 GPU 算力不兼容报错

报错现象
Tesla P40 with CUDA capability sm_61 is not compatible with the current PyTorch installation. The current PyTorch install supports CUDA capabilities sm_70 sm_75 sm_80 sm_86 sm_90 sm_100 sm_120.
问题根因

当前安装的 PyTorch 版本，在编译阶段仅对算力值 sm_70及以上的显卡做了适配支持；而本地使用的 Tesla P40 显卡算力值为 sm_61，不在该 CUDA版本的支持范围内，因此触发算力不兼容报错。
补充说明

若不清楚自身显卡对应的算力值（Compute Capability），可参考 NVIDIA 官方算力查询地址，精准查询显卡型号对应的算力版本：NVIDIA 官方显卡算力对照表

如图所示我的是这一栏的：

下图是算力与CUDA对照表：

源地址在这里:CUDA#GPUs_supported
注：上述图仅供参考，虽然上述写的12x支持6.1算力，但是据我尝试，12x的cuda还是会报错，找官网说是为了减少torch的体积，将cuda给阉割了.

我这里直接安装11.8版本的torch：

shell 复制代码

pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118

4 PyTorch 版本导入包相关错误

ImportError: cannot import name 'PytorchGELUTanh' from 'transformers.activations'

在/xxx/anaconda3/envs/llamafactory/lib/python3.11/site-packages/transformers/activations.py目录下添加以下代码：