pytorch 你不学?_EP01_环境准备与安装验证

吴佳浩 Alben2026-06-12 13:10

PyTorch 你不学

EP01 环境准备与安装验证

吴佳浩 · 著

15 篇 · 本地 Windows 实战 · RTX 5090 实测

PyTorch 2.12.0 · Python 3.10+ · GPU RTX 5090 · Windows 11

作者：吴佳浩 | 撰稿：2026-05-25|最后更新:2026-6-11 | 实测：RTX 5090 + 96GB + Windows 11

EP01｜环境准备与安装验证

本篇你会学到什么

学完这一篇，你应该能够：

  • 在 Windows 本地正确准备 PyTorch 学习环境
  • 理解为什么要先统一 Python、pip、虚拟环境和项目目录
  • 根据自己的机器情况判断应该先走 CPU 还是 GPU 路线
  • 用一段最小验证脚本确认 torch、torchvision、torchaudio 是否安装成功
  • 排查最常见的环境问题，比如解释器选错、虚拟环境没激活、CUDA 不可用等

一、为什么第一篇不是写模型，而是先配环境

很多人学 PyTorch 卡住，不是因为不会写神经网络，而是因为环境从第一天就没统一。

最常见的情况有这些：

  • 电脑里装了多个 Python，但自己不知道当前终端到底在用哪个
  • pip install 装到了全局环境，运行代码时却用了另一个解释器
  • 编辑器里选的是系统 Python，命令行里激活的却是 .venv
  • 明明机器有 NVIDIA 显卡，却不知道到底该先装 CPU 版还是 CUDA 版
  • 代码文件、数据文件、模型权重文件散落在不同目录，后面一运行就报路径错误

所以这一步不是"杂活"，而是后面整套教程能不能顺利推进的前提。

你可以把这一篇理解成：

先把地基打平，后面 14 篇才不会边学边修环境。

二、先建立一个正确的学习原则

在正式动手前，我建议你先接受一个很现实的原则：

原则 1：先跑通，再优化

不要一上来就执着于"我必须 GPU""我必须 CUDA 版本最完美""我必须装成生产环境那样"。

对于初学者来说，更合理的路径是：

  1. 先把 Python + 虚拟环境 + PyTorch 跑起来
  2. 先确认最小示例能执行
  3. 再考虑 GPU、混合精度、训练加速这些进阶问题

如果你一开始就把时间都花在 CUDA 兼容、驱动版本、显卡架构支持上，学习节奏很容易被打断。

原则 2：一个项目一个虚拟环境

不要把深度学习依赖全装到系统全局环境里。

原因很简单：

  • PyTorch 版本更新很快
  • torchvision、torchaudio 与 torch 存在版本匹配关系
  • 不同项目可能依赖不同版本的 Python 或第三方库

所以更稳的做法是：

每个项目目录单独配一个 .venv，把环境和代码绑在一起。

原则 3：环境是否合格，不看"安装过程"，看"验证结果"

很多人看到终端里安装日志滚过去，就以为已经成功了。

真正应该看的不是安装过程，而是下面这几个问题：

  • 能不能 import torch
  • 能不能打印版本号
  • 能不能创建 Tensor 并做一次简单计算
  • 如果你走 GPU 路线，torch.cuda.is_available() 到底是不是 True

只有这些验证通过，环境才算真的就绪。

三、真实学习场景里，环境为什么会反复出问题

场景 1：命令行能跑，VS Code 里不能跑

这是最常见的问题之一。

原因通常不是 PyTorch 坏了，而是：

  • 你在 PowerShell 里激活了 .venv
  • 但 VS Code 选中的解释器不是这个虚拟环境

于是你会看到很典型的报错：

python 复制代码 
ModuleNotFoundError: No module named 'torch'

这不一定说明没安装，而是说明你运行代码的解释器和你安装依赖的解释器不是同一个。

场景 2：机器有显卡，但 CUDA 还是 False

这也很常见。

可能原因包括：

  • 装的是 CPU 版 PyTorch
  • NVIDIA 驱动没有正确安装
  • CUDA 运行时版本和当前 PyTorch 构建不匹配
  • 显卡太新，当前 PyTorch 版本还不支持该算力架构

所以"有显卡"不等于"PyTorch 一定能直接识别 GPU"。

场景 3：项目后面越写越乱

初学者一开始如果没有统一目录，后面就容易出现：

  • 训练数据放桌面
  • 脚本放下载目录
  • 模型权重放其他盘
  • 输出图表又保存在临时目录

结果不是学不会，而是每次运行前都在找文件。

所以这一篇除了安装依赖，还要顺手把目录结构统一掉。

四、推荐的项目目录结构

在这一整套教程里，我们统一使用当前仓库目录：

text 复制代码 
G:\PyTorch-教程

建议保持下面这套基础结构：

text 复制代码 
PyTorch-教程/
├── .venv/                 # 虚拟环境
├── data/                  # 数据集或示例数据
├── outputs/               # 图片、日志、可视化结果
├── runs/                  # 训练过程输出
├── checkpoints/           # 模型权重和断点
├── project_demo/          # 仓库里的 demo
├── ...
└── pytorch 你不学_README.md

下面这段命令可以先把常用目录建出来：

powershell 复制代码 
cd G:\PyTorch-教程
mkdir data, outputs, runs, checkpoints

为什么要提前分目录

因为后面你会逐渐遇到这些文件：

  • 原始数据
  • 处理后的缓存数据
  • 模型保存文件 .pt / .pth
  • 训练日志
  • loss / accuracy 曲线图
  • 推理输出结果

如果这些东西都堆在项目根目录里，教程越往后就越乱。

五、环境准备流程总览（Mermaid）

先看一眼完整流程，后面每一步就不会迷路。
#mermaid-svg-AYJaUc8Xa5U4UHbw{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-AYJaUc8Xa5U4UHbw .error-icon{fill:#552222;}#mermaid-svg-AYJaUc8Xa5U4UHbw .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-AYJaUc8Xa5U4UHbw .marker{fill:#333333;stroke:#333333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .marker.cross{stroke:#333333;}#mermaid-svg-AYJaUc8Xa5U4UHbw svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-AYJaUc8Xa5U4UHbw p{margin:0;}#mermaid-svg-AYJaUc8Xa5U4UHbw .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster-label text{fill:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster-label span{color:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster-label span p{background-color:transparent;}#mermaid-svg-AYJaUc8Xa5U4UHbw .label text,#mermaid-svg-AYJaUc8Xa5U4UHbw span{fill:#333;color:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .node rect,#mermaid-svg-AYJaUc8Xa5U4UHbw .node circle,#mermaid-svg-AYJaUc8Xa5U4UHbw .node ellipse,#mermaid-svg-AYJaUc8Xa5U4UHbw .node polygon,#mermaid-svg-AYJaUc8Xa5U4UHbw .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .rough-node .label text,#mermaid-svg-AYJaUc8Xa5U4UHbw .node .label text,#mermaid-svg-AYJaUc8Xa5U4UHbw .image-shape .label,#mermaid-svg-AYJaUc8Xa5U4UHbw .icon-shape .label{text-anchor:middle;}#mermaid-svg-AYJaUc8Xa5U4UHbw .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .rough-node .label,#mermaid-svg-AYJaUc8Xa5U4UHbw .node .label,#mermaid-svg-AYJaUc8Xa5U4UHbw .image-shape .label,#mermaid-svg-AYJaUc8Xa5U4UHbw .icon-shape .label{text-align:center;}#mermaid-svg-AYJaUc8Xa5U4UHbw .node.clickable{cursor:pointer;}#mermaid-svg-AYJaUc8Xa5U4UHbw .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .arrowheadPath{fill:#333333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-AYJaUc8Xa5U4UHbw .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-AYJaUc8Xa5U4UHbw .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-AYJaUc8Xa5U4UHbw .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster text{fill:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw .cluster span{color:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-AYJaUc8Xa5U4UHbw .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-AYJaUc8Xa5U4UHbw rect.text{fill:none;stroke-width:0;}#mermaid-svg-AYJaUc8Xa5U4UHbw .icon-shape,#mermaid-svg-AYJaUc8Xa5U4UHbw .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-AYJaUc8Xa5U4UHbw .icon-shape p,#mermaid-svg-AYJaUc8Xa5U4UHbw .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-AYJaUc8Xa5U4UHbw .icon-shape .label rect,#mermaid-svg-AYJaUc8Xa5U4UHbw .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-AYJaUc8Xa5U4UHbw .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-AYJaUc8Xa5U4UHbw .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-AYJaUc8Xa5U4UHbw :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 是
否
确认当前 Python 版本
进入项目目录
创建虚拟环境 .venv
激活虚拟环境
升级 pip
安装 PyTorch 及常用依赖
运行验证脚本
是否通过
开始后续教程
按报错类型排查

这张图的重点不是"步骤很多"，而是提醒你：

配环境不是一条命令的事，而是一整套闭环：创建、安装、验证、排查。

六、正式开始：确认 Python 与 pip

1. 查看当前 Python 版本

先打开 PowerShell，执行：

powershell 复制代码 
python --version

建议使用 Python 3.10、3.11 或 3.12 这一类主流版本。太老的版本后面很多库支持会变差，太新的版本有时又会遇到生态兼容问题。

2. 确认当前 Python 来自哪里

这一步非常重要。

powershell 复制代码 
where python

你要关注的是：

  • 当前终端实际调用的是哪个 python.exe
  • 它是不是你预期中的安装路径

如果这里已经显示出多个 Python 路径，不要慌，但你至少要知道自己后面到底在用哪个。

3. 顺手看一下 pip 指向谁

powershell 复制代码 
python -m pip --version

为什么我推荐用 python -m pip 而不是直接用 pip？

因为这样可以更明确地保证：

  • 你调用的 pip 属于当前这个 Python
  • 不容易出现"装到 A，运行用 B"的错位情况

七、创建并激活虚拟环境

1. 进入项目目录

powershell 复制代码 
cd G:\PyTorch-教程

2. 创建虚拟环境

powershell 复制代码 
python -m venv .venv

这条命令会在当前目录下生成一个 .venv 文件夹，用来隔离这个项目自己的依赖环境。

3. 激活虚拟环境

powershell 复制代码 
.\.venv\Scripts\activate

激活成功后，你通常会在终端左边看到类似这样的前缀：

powershell 复制代码 
(.venv) PS G:\PyTorch-教程>

这表示你后面的 python 和 pip 已经优先指向这个虚拟环境。

4. 升级 pip

powershell 复制代码 
python -m pip install --upgrade pip

这一步虽然简单，但很值得做。因为老版本 pip 可能在解析依赖、下载 wheel 包时遇到不必要的问题。

八、安装 PyTorch 与常用依赖

方案 A：先走 CPU 路线（更稳）

如果你是初学者，或者只是想先把教程顺利跑起来，我建议优先用这条路线。

powershell 复制代码 
python -m pip install torch torchvision torchaudio matplotlib pandas scikit-learn jupyter

这套依赖足够覆盖本系列教程里大多数基础实验。

方案 B：明确要走 GPU 路线

如果你已经确认：

  • 自己机器有 NVIDIA GPU
  • 驱动正常
  • 你确实希望后面训练用 GPU 加速

那就去 PyTorch 官网获取当前推荐的安装命令，而不是凭印象手敲。

原因很简单：

  • 不同版本 torch 对应不同构建
  • CUDA 版本不是"越新越好"，而是"与当前构建匹配最好"
  • Windows 环境下，官方命令通常最稳

一个很实际的建议

如果你不确定自己该装什么，就先装 CPU 版，把前几篇教程学完。等你真的进入训练实战、图像任务、加速优化阶段，再回来切 GPU 路线，成本反而更低。

九、写一个最小验证脚本

下面这段代码的目标很简单：

  • 确认 torch 能导入
  • 打印版本信息
  • 检查 CUDA 是否可用
  • 创建一个 Tensor 做一次简单计算

这不是演示深度学习，而是在验证"环境是否真的活着"。

python 复制代码 
import torch

# 打印当前 torch 版本
# 这一行最先确认：你至少已经成功安装并导入了 PyTorch
print("torch 版本:", torch.__version__)

# 检查当前是否能使用 CUDA
# 如果返回 False，不一定是错，很多学习场景用 CPU 也完全可以继续
print("CUDA 可用:", torch.cuda.is_available())

# 如果 CUDA 可用，就进一步打印显卡名称和 CUDA 构建版本
if torch.cuda.is_available():
    print("GPU 名称:", torch.cuda.get_device_name(0))
    print("CUDA 版本:", torch.version.cuda)
else:
    print("当前使用 CPU，前几篇教程也能正常学习。")

# 创建两个最简单的一维张量
# 这一步是在验证张量运算是否正常，不只是 import 成功而已
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])

# 做一次逐元素加法
# 如果这里能正常输出结果，说明基础计算环境已经没问题了
z = x + y
print("x + y =", z)

# 再打印张量的 dtype 和 device，帮助你建立最早期的 Tensor 直觉
print("z.dtype =", z.dtype)
print("z.device =", z.device)

十、运行结果应该怎么看

如果一切正常，你大概会看到类似输出：

text 复制代码 
torch 版本: 2.x.x
CUDA 可用: False
当前使用 CPU，前几篇教程也能正常学习。
x + y = tensor([5., 7., 9.])
z.dtype = torch.float32
z.device = cpu

如果你走的是 GPU 路线，可能会看到：

text 复制代码 
torch 版本: 2.x.x+cuxxx
CUDA 可用: True
GPU 名称: NVIDIA GeForce RTX xxxx
CUDA 版本: 12.x
x + y = tensor([5., 7., 9.])
z.dtype = torch.float32
z.device = cpu

这里有两个容易忽略的点：

1. CUDA 可用: False 不等于失败

这通常只说明：

  • 你当前装的是 CPU 版
  • 或者 GPU 还没被当前环境识别

对前期学习来说，这并不构成阻塞。

2. 即使机器支持 GPU，默认新建 Tensor 也可能还在 CPU

比如上面代码里的 z.device = cpu 很正常，因为我们并没有主动把数据迁移到 GPU。

真正放到 GPU 上，通常要显式写：

python 复制代码 
device = "cuda" if torch.cuda.is_available() else "cpu"
x = x.to(device)
y = y.to(device)

这个概念我们后面章节会反复用到。

十一、在 VS Code 里应该额外检查什么

如果你用 VS Code 学习，除了命令行成功，还要检查编辑器这一步。

1. 解释器是否选中了 .venv

通常在 VS Code 右下角可以看到当前 Python 解释器。

你要确保它指向的是类似下面的路径：

text 复制代码 
G:\PyTorch-教程\.venv\Scripts\python.exe

2. 终端是否激活了同一个环境

有时候解释器选对了，但终端没切对；也有时候终端对了，解释器没切对。

只有这两者一致，你的体验才会稳定。

3. 不要被"代码补全正常"骗了

有时编辑器能补全，不代表运行时就一定没问题。最终还是要以"能否成功运行验证脚本"为准。

十二、常见错误与排查

问题 1：python 不是你想要的版本

先执行：

powershell 复制代码 
where python
python --version

如果你发现路径不对，说明当前终端优先使用了另一个 Python。这个时候先别急着装库，先把解释器问题搞清楚。

问题 2：安装后还是提示 No module named torch

最常见原因有两个：

  • 当前终端没有激活 .venv
  • 编辑器运行时使用的不是这个虚拟环境

先重新执行：

powershell 复制代码 
.\.venv\Scripts\activate
python -m pip --version
python -c "import torch; print(torch.__version__)"

如果命令行能成功而编辑器不行，基本就是解释器选择问题。

问题 3：torch.cuda.is_available() 是 False

先不要直接判定"安装失败"。更合理的排查顺序是：

  1. 你是不是装了 CPU 版 PyTorch
  2. 你的显卡是不是 NVIDIA
  3. 驱动是否正常
  4. 当前 PyTorch 构建是否支持你的显卡架构

对于学习阶段，我的建议依旧是：

先用 CPU 跑通教程，再决定要不要折腾 GPU。

问题 4：PowerShell 里无法激活虚拟环境

有些机器会因为执行策略限制，导致脚本无法直接运行。

这时不要第一反应就怀疑 PyTorch，问题往往只是 PowerShell 的执行策略或终端权限。

如果你遇到这种情况，可以：

  • 先确认是不是 PowerShell 限制脚本执行
  • 或者临时改用 CMD 测试虚拟环境是否能正常激活

核心目标不是"必须用某个终端"，而是把环境先跑通。

问题 5：装得很乱，不知道当前环境到底有没有救

如果你已经在全局环境、多个 Python、多个 pip 之间来回折腾过，最省时间的办法往往不是继续补救，而是：

  1. 回到项目目录
  2. 删除当前 .venv
  3. 重新创建一个新的虚拟环境
  4. 重新安装依赖
  5. 再跑验证脚本

很多环境问题不是技术难，而是历史包袱太多。

十三、本篇小结

这一篇最核心的结论只有三点：

  1. 先把环境统一好，再学 PyTorch，效率会高很多
  2. 一个项目一个虚拟环境，是最省事的长期做法
  3. 环境是否合格，不看安装日志，看验证脚本是否跑通

如果你现在已经能做到下面这几件事，就说明 EP01 过关了：

  • 知道自己当前用的是哪个 Python
  • 能在项目目录创建并激活 .venv
  • 能安装 torch 并成功导入
  • 能运行验证脚本并看懂输出
  • 知道自己当前是 CPU 路线还是 GPU 路线

十四、练习题

练习 1

在你的终端里执行：

powershell 复制代码 
where python
python --version
python -m pip --version

把这三条命令的输出各自代表什么，自己用一句话解释出来。
点击查看参考答案

where python → 显示当前终端找到的 python.exe 的完整路径。如果显示的是 .venv\Scripts\python.exe，说明虚拟环境已激活；如果显示的是系统路径（比如 C:\Users\xxx\AppData\...），说明还没进虚拟环境。

python --version → 打印当前 Python 解释器的版本号，比如 Python 3.10.11。确认版本 ≥ 3.10，否则 PyTorch 2.12.0 可能不兼容。

python -m pip --version → 打印 pip 的版本号和它绑定的 Python 路径。注意路径是不是指向虚拟环境内的 pip------如果是系统的 pip，说明包的安装位置不在虚拟环境中。

练习 2

删除项目中的 .venv 后，重新创建一次虚拟环境，并重新安装 torch。目标是把"环境搭建"从照抄命令变成你自己能独立完成的动作。
点击查看参考答案

完整操作步骤：

powershell 复制代码 
# 1. 确认当前不在 .venv 内（提示符前面没有 (.venv)）
deactivate

# 2. 删除旧的虚拟环境
Remove-Item -Recurse -Force .venv

# 3. 重新创建
python -m venv .venv

# 4. 激活
.\.venv\Scripts\activate

# 5. 升级 pip
python -m pip install --upgrade pip

# 6. 安装 PyTorch
pip install torch torchvision torchaudio

# 7. 验证
python -c "import torch; print(torch.__version__)"

如果上面的 7 步你不需要看就能独立做完，说明环境搭建已经掌握了。

练习 3

修改验证脚本，在输出 torch.__version__ 之外，再打印：

  • torch.rand(2, 3) 的结果
  • 这个张量的 shape
  • 这个张量的 dtype
  • 这个张量的 device

让自己开始熟悉 Tensor 的几个核心属性。
点击查看参考答案

python 复制代码 
import torch

print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")

t = torch.rand(2, 3)
print(f"\n张量内容:\n{t}")
print(f"shape:  {t.shape}")       # → torch.Size([2, 3])
print(f"dtype:  {t.dtype}")       # → torch.float32
print(f"device: {t.device}")      # → cpu

预期输出类似：

复制代码 
PyTorch 版本: 2.12.0+cu128
CUDA 可用: True

张量内容:
tensor([[0.1234, 0.5678, 0.9012],
        [0.3456, 0.7890, 0.1112]])
shape:  torch.Size([2, 3])
dtype:  torch.float32
device: cpu

即使有 GPU，torch.rand 默认创建的张量也在 cpu 上------device 需要手动指定或 .to('cuda') 才会切换。

练习 4

如果你的机器有 NVIDIA 显卡，尝试查清楚下面 3 个信息：

  • 显卡型号是什么
  • 当前驱动是否正常
  • 你当前安装的 PyTorch 是 CPU 版还是 CUDA 版

先把事实确认清楚，不要凭感觉判断。

参考答案:

查显卡型号：

在 PowerShell 中执行：

powershell 复制代码 
nvidia-smi --query-gpu=name --format=csv,noheader

输出示例：NVIDIA GeForce RTX 5090

查驱动是否正常：

powershell 复制代码 
nvidia-smi

如果能看到 GPU 信息表格（温度、显存使用、驱动版本等），驱动正常。如果提示 nvidia-smi 不是可执行命令 或 No devices were found，说明驱动没装或版本不对。

查 PyTorch 是 CPU 版还是 CUDA 版：

python 复制代码 
import torch
print(torch.cuda.is_available())    # True → CUDA 版（能调用 GPU）
print(torch.version.cuda)           # 显示编译时对的 CUDA 版本，如 "12.8"
print(torch.__version__)            # 版本号里有 "+cu128" 说明是 CUDA 版
                                    # 版本号是 "+cpu" 说明是 CPU 版

如果 torch.cuda.is_available() 返回 False，去 https://pytorch.org/get-started/locally/ 找到对应 CUDA 版本的安装命令重新装。

本篇总结：

估计你已经搭建了最基本的练习环境了，接下来会适当加快节奏。

工欲善其事必先利其器,循序渐进才能走得扎实，别光看不懂先动手试试。

下一篇预告

下一篇我们正式进入 PyTorch 的核心基础：Tensor 与张量基本操作。

你会看到：

  • Tensor 为什么是整个 PyTorch 世界的基础数据结构
  • shape、dtype、device 到底分别在管什么
  • 为什么很多初学者的第一批报错，其实都和 Tensor 理解不清有关
相关推荐
葡萄城技术团队1 小时前
从NL2SQL到AI智能问数：企业数据分析的下一步在哪里
人工智能·数据挖掘·数据分析
XiaoZhangGOGOGO1 小时前
新的文本编辑方式
python
硅谷秋水1 小时前
NVIDIA OmniDreams：用于闭环自动驾驶仿真、支持实时生成的世界模型
人工智能·深度学习·机器学习·计算机视觉·自动驾驶
MartinYeung51 小时前
[论文学习]针对 LLM 的间接提示注入攻击用于高效隐私洩露之深度分析
人工智能·学习
A15362551 小时前
六轴工业机械臂厂家怎么选？评估维度与选型参考
大数据·服务器·人工智能
未来和明天1 小时前
领嵌iLeadE-588边缘计算盒子断网状态下可以独立工作
人工智能
留白_1 小时前
pandas练习题
python·数据分析·pandas
码字小学妹1 小时前
Claude Fable 5 接入实操：模型变化、Messages API 差异与国内调用
人工智能
数智化管理手记1 小时前
三步轻量化落地法！精益赋能数字化，让工厂转型告别形式化
运维·数据库·人工智能·精益工程
热门推荐
01《置身钉内》原文-可播放阅读02Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析03【AI】2026 年具身智能模型和世界模型总结04AI科技热点日报 | 2026年6月1日052026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？06GitHub 镜像站点072026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？082026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf09Codex 下载安装指南：Windows 和 macOS 官方版下载10【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法