Windows下RTX 5070安装PyTorch GPU完整教程：Python 3.11 + PyTorch 2.8.0 + CUDA 12.9

Windows下RTX 5070安装PyTorch GPU完整教程：Python 3.11 + PyTorch 2.8.0 + CUDA 12.9

1. 前言

最近在一台搭载 NVIDIA GeForce RTX 5070 的 Windows 电脑上重新配置 PyTorch GPU 深度学习环境。

最终成功配置如下：

操作系统：Windows 11 64位
GPU：NVIDIA GeForce RTX 5070
Conda环境：pytorchgpu
Python：3.11.16
PyTorch：2.8.0+cu129
PyTorch CUDA Runtime：CUDA 12.9
CUDA可用：True

最终验证结果：

import torch

print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

输出：

2.8.0+cu129
True
NVIDIA GeForce RTX 5070

这意味着：

PyTorch已经成功通过CUDA调用RTX 5070。

不过整个安装过程中踩了几个非常典型的坑：

1. Conda创建Python 3.11环境失败；
2. 普通CMD中Conda环境出现"假激活"；
3. cp311版本的PyTorch wheel提示不支持；
4. 命令行明明显示(pytorchgpu)，实际却仍然运行Python 3.13；
5. 最终切换到真正的Python 3.11环境后，PyTorch和CUDA才正常工作。

本文重点记录第三部分：

如何正确安装PyTorch GPU，并判断CUDA和显卡是否真正可用。

---

2. 为什么要单独创建Python 3.11环境？

本机Anaconda的base环境中Python版本为：

Python 3.13.9

虽然较新的PyTorch版本已经逐渐支持Python 3.13，但在科研和深度学习环境中，我更倾向于使用一个相对独立、兼容性较好的Python环境。

因此创建：

pytorchgpu

并安装：

Python 3.11.16

最终环境路径为：

C:\Users\用户名\.conda\envs\pytorchgpu

成功进入环境后：

python --version

输出：

Python 3.11.16

后续所有PyTorch相关软件包都安装到这个环境中。

---

3. 首先理解一个关键问题：CUDA、Python和PyTorch是什么关系？

很多刚开始配置GPU环境的人容易产生一个误解：

CUDA 12.9是不是只能配某一个固定Python版本？

实际上并不是。

Python和CUDA之间通常不是直接绑定的。

真正需要匹配的是：

Python版本
      ↓
PyTorch版本
      ↓
PyTorch对应的CUDA构建版本
      ↓
NVIDIA显卡驱动
      ↓
GPU

例如本文最终使用：

Python 3.11.16
+
PyTorch 2.8.0
+
cu129
+
RTX 5070

其中：

cu129

表示：

CUDA 12.9

所以：

torch 2.8.0+cu129

可以理解成：

PyTorch 2.8.0的CUDA 12.9版本。

---

4. 不要把nvidia-smi中的CUDA版本和PyTorch CUDA版本混为一谈

执行：

nvidia-smi

通常会看到类似：

CUDA Version: xx.x

需要特别注意：

nvidia-smi显示的CUDA Version主要表示当前NVIDIA驱动支持的最高CUDA兼容能力之一，并不意味着PyTorch必须安装完全相同的CUDA版本。

例如显卡驱动可能显示：

CUDA Version: 13.x

但PyTorch仍然可以安装：

cu129

只要当前显卡驱动足够新，能够兼容PyTorch所需要的CUDA Runtime即可。

因此不要简单理解成：

nvidia-smi显示13.x
↓
PyTorch必须安装cu13x

这并不正确。

---

5. PyTorch wheel文件名到底是什么意思？

本文下载的PyTorch文件为：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

第一次看到这个文件名可能比较复杂，其实可以拆成几部分：

torch
│
├── 2.8.0
│
├── +cu129
│
├── cp311
│
├── cp311
│
└── win_amd64

分别代表：

2.8.0

PyTorch版本：

PyTorch 2.8.0

cu129

代表CUDA构建版本：

CUDA 12.9

因此：

2.8.0+cu129

就是：

PyTorch 2.8.0 + CUDA 12.9。

---

6. cp311是什么意思？

这一点非常重要。

文件名中的：

cp311

表示：

CPython 3.11

类似地：

cp310 → Python 3.10
cp311 → Python 3.11
cp312 → Python 3.12
cp313 → Python 3.13

所以：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

要求使用：

Python 3.11

如果当前实际运行的是Python 3.13，就不能直接安装这个wheel。

---

7. win_amd64又是什么意思？

最后：

win_amd64

表示：

Windows 64位

这里的amd64并不是说：

只有AMD处理器才能安装。

它实际上代表Windows x86-64架构。

因此Intel或AMD的普通64位Windows电脑都可以使用。

综合起来：

torch-2.8.0+cu129-cp311-cp311-win_amd64.whl

可以解释为：

PyTorch 2.8.0 + CUDA 12.9 + CPython 3.11 + Windows 64位。

---

8. 本次第一次安装为什么失败？

进入下载目录后执行：

pip install "torch-2.8.0+cu129-cp311-cp311-win_amd64.whl"

结果出现：

ERROR:
torch-2.8.0+cu129-cp311-cp311-win_amd64.whl
is not a supported wheel on this platform.

同时还出现：

Defaulting to user installation because normal site-packages is not writeable

一开始很容易怀疑：

PyTorch版本不对？
CUDA 12.9不支持？
RTX 5070不支持？
wheel下载错了？
Windows版本不支持？

但最后发现：

这些都不是根本原因。

---

9. 真正原因：当前实际上运行的是Python 3.13

虽然CMD前面显示：

(pytorchgpu)

但执行：

python

却得到：

Python 3.13.9 | packaged by Anaconda, Inc.

进一步执行：

where python

得到：

D:\ruanjian\anaconda\python.exe

说明实际调用的是：

Anaconda base环境
Python 3.13.9

而不是刚刚创建的：

pytorchgpu
Python 3.11.16

于是实际情况变成：

下载的wheel：
cp311
↓
要求Python 3.11

当前实际Python：
3.13.9

结果：
版本不兼容
↓
not a supported wheel on this platform

这就是第一次安装失败的真正原因。

---

10. 不要只看命令行前面的环境名称

这是整个安装过程中非常重要的经验。

即使终端显示：

(pytorchgpu)

也最好执行：

python --version

确认Python版本。

再执行：

where python

确认解释器路径。

例如本文正确环境应该是：

Python 3.11.16

并且Python路径应该类似：

C:\Users\用户名\.conda\envs\pytorchgpu\python.exe

如果看到：

D:\ruanjian\anaconda\python.exe

说明实际还是base环境。

所以：

终端前缀只是一种提示，真正决定环境的是当前调用的python.exe。

---

11. 正确进入PyTorch环境

由于普通CMD中的Conda激活存在异常，本次最终使用：

Anaconda PowerShell Prompt

执行：

conda activate pytorchgpu

然后检查：

python --version

输出：

Python 3.11.16

进一步进入Python：

python

显示：

Python 3.11.16 | packaged by conda-forge

至此可以确认：

当前真正进入了Python 3.11的pytorchgpu环境。

---

12. 推荐使用python -m pip安装，而不是直接pip

在多Python环境电脑上，推荐使用：

python -m pip install xxx

而不是：

pip install xxx

原因是：

pip install

依赖Windows PATH寻找：

pip.exe

如果电脑中同时存在：

Python 3.13
Python 3.11
Anaconda
Conda虚拟环境

就可能找到错误的pip。

而：

python -m pip

表示：

使用当前这个Python解释器所对应的pip。

因此更加可靠。

---

13. 安装本地PyTorch wheel

首先进入下载目录：

cd "F:\edge浏览器下载的内容"

确认：

python --version

输出：

Python 3.11.16

然后安装：

python -m pip install "torch-2.8.0+cu129-cp311-cp311-win_amd64.whl"

由于此时：

当前Python：3.11.16
wheel：cp311
系统：Windows 64位

三者完全匹配，因此可以正常安装。

---

14. 安装torchvision

对应的torchvision文件为：

torchvision-0.23.0+cu129-cp311-cp311-win_amd64.whl

同样执行：

python -m pip install "torchvision-0.23.0+cu129-cp311-cp311-win_amd64.whl"

这样PyTorch和torchvision保持对应版本。

本文最终组合为：

torch       2.8.0+cu129
torchvision 0.23.0+cu129

---

15. 如果不想手动下载wheel怎么办？

也可以直接使用PyTorch对应软件源在线安装。

基本形式为：

python -m pip install torch torchvision torchaudio --index-url <对应的PyTorch CUDA软件源>

在线安装的优点是：

pip会根据当前Python版本和操作系统选择对应wheel。

因此可以减少手动下载：

cp311
cp312
cp313

错误版本的概率。

如果网络环境不稳定，手动下载wheel后本地安装也完全可以。

---

16. 安装完成后第一步：检查PyTorch版本

进入Python：

python

然后：

import torch

首先检查：

print(torch.__version__)

本文输出：

2.8.0+cu129

这里非常关键。

如果只显示：

2.8.0

还需要进一步确认具体安装包。

本文：

2.8.0+cu129

明确说明当前安装的是：

PyTorch 2.8.0 CUDA 12.9构建。

---

17. 第二步：检查CUDA是否可用

执行：

print(torch.cuda.is_available())

本文得到：

True

这是PyTorch GPU环境最核心的检测之一。

如果输出：

True

说明：

PyTorch已经能够正常访问CUDA设备。

如果输出：

False

则需要继续检查：

是否安装CPU版PyTorch
NVIDIA驱动是否正常
GPU是否被系统识别
PyTorch CUDA构建是否正确
环境是否装错

---

18. 第三步：检查PyTorch识别到了哪张显卡

执行：

print(torch.cuda.get_device_name(0))

本文输出：

NVIDIA GeForce RTX 5070

这一步非常重要，因为它说明：

PyTorch不仅检测到了CUDA，而且已经成功识别实际GPU设备。

最终验证结果：

>>> import torch

>>> print(torch.__version__)
2.8.0+cu129

>>> print(torch.cuda.is_available())
True

>>> print(torch.cuda.get_device_name(0))
NVIDIA GeForce RTX 5070

到这里就可以认为：

RTX 5070的PyTorch GPU环境已经完整打通。

---

19. 还可以进行更完整的GPU检测

除了上面三条，还可以执行：

import torch

print("PyTorch版本：", torch.__version__)
print("CUDA是否可用：", torch.cuda.is_available())
print("PyTorch CUDA版本：", torch.version.cuda)
print("GPU数量：", torch.cuda.device_count())

if torch.cuda.is_available():
    print("当前GPU：", torch.cuda.get_device_name(0))

预期结果类似：

PyTorch版本： 2.8.0+cu129
CUDA是否可用： True
PyTorch CUDA版本： 12.9
GPU数量： 1
当前GPU： NVIDIA GeForce RTX 5070

这比只看：

torch.cuda.is_available()

更加完整。

---

20. 进一步测试：真正创建一个CUDA Tensor

有时候仅仅检查：

torch.cuda.is_available()

还不够直观。

可以直接创建一个GPU Tensor：

import torch

x = torch.randn(3, 3).cuda()

print(x)
print(x.device)

如果最后显示：

cuda:0

说明这个Tensor已经真实存放在GPU显存中。

也可以写成：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

x = torch.randn(3, 3).to(device)

print(x.device)

输出：

cuda:0

这就是更加直接的CUDA运行测试。

---

21. 深度学习代码中怎么让模型使用RTX 5070？

以后自己的PyTorch代码中推荐这样写：

import torch

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

print("当前设备：", device)

然后将模型放到GPU：

model = model.to(device)

数据也要放到相同设备：

x = x.to(device)
y = y.to(device)

例如：

for x, y in train_loader:
    x = x.to(device)
    y = y.to(device)

    output = model(x)

只要：

torch.cuda.is_available()

为：

True

这里：

device

就会自动选择：

cuda

也就是RTX 5070。

---

22. 一个非常容易误解的问题：必须安装本地CUDA Toolkit吗？

很多人认为：

使用PyTorch GPU之前，一定要先安装和PyTorch完全相同版本的CUDA Toolkit。

实际上对于PyTorch官方提供的CUDA wheel来说，并不总是如此。

例如：

torch-2.8.0+cu129

本身已经带有运行PyTorch所需的一套CUDA相关运行时依赖。

因此对于普通PyTorch训练任务，更核心的是：

正确的NVIDIA显卡驱动
+
正确的PyTorch CUDA构建

而不是：

系统必须另外安装一个完全相同版本的CUDA Toolkit。

只有在一些特殊场景，例如：

编译自定义CUDA扩展
CUDA C/C++开发
某些第三方库需要nvcc

时，本地CUDA Toolkit才更加重要。

所以：

torch.version.cuda

和：

nvcc --version

反映的并不一定是同一个东西。

---

23. PyTorch中的cu129和系统CUDA不是同一个概念

假设：

print(torch.version.cuda)

输出：

12.9

表示：

当前PyTorch是基于CUDA 12.9相关运行时构建的。

而执行：

nvcc --version

显示的是：

本机安装的CUDA Toolkit编译器版本。

执行：

nvidia-smi

看到的：

CUDA Version

主要和当前NVIDIA驱动支持能力有关。

因此三个地方的CUDA版本：

nvidia-smi
nvcc --version
torch.version.cuda

出现不同数字，并不一定意味着环境有问题。

这是配置PyTorch时非常容易混淆的一点。

---

24. 常见错误一：not a supported wheel on this platform

如果出现：

xxx.whl is not a supported wheel on this platform

优先检查：

python --version

以及：

where python

然后查看wheel名称。

例如：

cp311

必须对应：

Python 3.11

如果实际Python是：

3.13

就会直接不兼容。

---

25. 常见错误二：环境名前面显示正确，但Python版本不对

例如：

(pytorchgpu) C:\Users\xxx>

看起来进入了环境。

但：

python --version

却是：

Python 3.13.9

这种情况下不要继续安装任何包。

一定继续检查：

where python

真正激活后应该指向：

...\envs\pytorchgpu\python.exe

---

26. 常见错误三：torch.cuda.is_available()返回False

如果：

torch.cuda.is_available()

返回：

False

可以按照以下顺序排查：

1. nvidia-smi能否识别显卡
        ↓
2. torch.__version__是什么
        ↓
3. 是否安装了CUDA版PyTorch
        ↓
4. torch.version.cuda是否有值
        ↓
5. 当前Python是否来自正确环境
        ↓
6. 是否误装了CPU版torch

例如：

print(torch.__version__)
print(torch.version.cuda)

如果：

torch.version.cuda

为：

None

通常需要重点怀疑安装的是CPU构建。

---

27. 常见错误四：pip把库装到了错误的Python中

如果电脑中存在多个Python：

Python 3.13
Python 3.11
Conda base
Conda pytorchgpu

不建议只执行：

pip install xxx

建议：

python -m pip install xxx

还可以提前检查：

python -m pip --version

确保路径中包含：

pytorchgpu

---

28. 普通CMD不能正常activate怎么办？

即使普通CMD中的：

conda activate pytorchgpu

存在问题，也不是不能安装软件包。

可以执行：

conda run -n pytorchgpu python -m pip install numpy

或者直接指定Python：

"C:\Users\用户名\.conda\envs\pytorchgpu\python.exe" -m pip install numpy

因此：

使用PyTorch并不是只能依赖Anaconda PowerShell Prompt。

只要最终调用的是正确解释器即可。

不过如果Anaconda PowerShell Prompt可以正常激活，日常使用它通常最省心。

---

29. 本次完整安装逻辑

整个流程可以总结成：

RTX 5070
        ↓
安装/确认NVIDIA显卡驱动
        ↓
创建Conda独立环境
        ↓
Python 3.11.16
        ↓
确认python --version
        ↓
确认Python解释器路径
        ↓
安装torch 2.8.0+cu129
        ↓
安装torchvision 0.23.0+cu129
        ↓
import torch
        ↓
torch.__version__
2.8.0+cu129
        ↓
torch.cuda.is_available()
True
        ↓
torch.cuda.get_device_name(0)
NVIDIA GeForce RTX 5070
        ↓
GPU环境配置成功

---

30. 推荐的最终验证代码

环境安装结束后，可以保存下面代码为：

test_gpu.py

内容：

import torch

print("=" * 50)
print("PyTorch GPU Environment Check")
print("=" * 50)

print(f"PyTorch version : {torch.__version__}")
print(f"CUDA available  : {torch.cuda.is_available()}")
print(f"PyTorch CUDA    : {torch.version.cuda}")
print(f"GPU count       : {torch.cuda.device_count()}")

if torch.cuda.is_available():
    print(f"GPU name        : {torch.cuda.get_device_name(0)}")

    device = torch.device("cuda")
    x = torch.randn(3, 3, device=device)

    print(f"Tensor device   : {x.device}")
    print("GPU test        : SUCCESS")
else:
    print("GPU test        : FAILED")

print("=" * 50)

执行：

python test_gpu.py

如果得到类似：

PyTorch version : 2.8.0+cu129
CUDA available  : True
PyTorch CUDA    : 12.9
GPU count       : 1
GPU name        : NVIDIA GeForce RTX 5070
Tensor device   : cuda:0
GPU test        : SUCCESS

说明PyTorch GPU环境已经真正可以使用。

---

31. 本次最终配置

最终成功环境：

Conda环境：
pytorchgpu

Python：
3.11.16

PyTorch：
2.8.0+cu129

CUDA Runtime：
12.9

GPU：
NVIDIA GeForce RTX 5070

torch.cuda.is_available()：
True

也就是：

Python 3.11
        ↓
PyTorch 2.8.0
        ↓
CUDA 12.9 Runtime
        ↓
NVIDIA RTX 5070
        ↓
GPU深度学习环境成功

---

32. 总结

这次配置过程中最值得记住的并不是某一条安装命令，而是以下几个原则。

第一：

下载PyTorch wheel时一定要看Python版本。

例如：

cp311 → Python 3.11
cp312 → Python 3.12
cp313 → Python 3.13

第二：

终端显示 (pytorchgpu) 并不能替代Python版本检查。

始终建议执行：

python --version

以及：

where python

第三：

安装Python软件包建议使用 python -m pip。

例如：

python -m pip install xxx

第四：

不要简单要求nvidia-smi、本地CUDA Toolkit和PyTorch CUDA版本三个数字完全一致。

它们代表的概念并不完全相同。

第五：

判断PyTorch GPU是否真正成功，最有说服力的是运行结果。

本文最终结果：

print(torch.__version__)

输出：

2.8.0+cu129

print(torch.cuda.is_available())

输出：

True

print(torch.cuda.get_device_name(0))

输出：

NVIDIA GeForce RTX 5070

这三个结果同时成立，说明：

Python 3.11 → PyTorch 2.8.0 → CUDA 12.9 → RTX 5070这条GPU计算链已经完整打通。

---

附：常用检查命令

检查Python：

python --version

检查Python路径：

where python

检查pip：

python -m pip --version

检查NVIDIA显卡：

nvidia-smi

检查PyTorch版本：

import torch
print(torch.__version__)

检查PyTorch CUDA Runtime：

print(torch.version.cuda)

检查CUDA：

print(torch.cuda.is_available())

检查GPU：

print(torch.cuda.get_device_name(0))

检查GPU数量：

print(torch.cuda.device_count())

创建GPU Tensor：

x = torch.randn(3, 3, device="cuda")
print(x.device)

如果最终得到：

cuda:0

并且：

NVIDIA GeForce RTX 5070

那么恭喜你：

PyTorch GPU环境已经配置完成，可以正式开始模型训练。