PyTorch GPU 版安装记录（RTX 5060 + Python 3.14）

整理日期：2026-09-04

适用环境：Windows 11 / RTX 5060 Laptop GPU (sm_120, Blackwell) / E:\PyNumpyLearning\python.exe (Python 3.14.7)

一、问题现象

环境中已安装 torch，但 torch.cuda.is_available() 返回 False，无法使用 GPU：

python 复制代码

import torch
torch.__version__          # '2.14.0+cpu'  ← 注意 +cpu 后缀
torch.cuda.is_available()  # False
torch.version.cuda         # None

二、原因分析

1. 根本原因：Windows 上 `pip install torch` 默认装的是 CPU 版

在 Windows 平台，PyPI 默认源提供的 torch 轮子不含 CUDA （版本号带 +cpu 后缀）。GPU 版必须指定 PyTorch 官方的 CUDA 索引安装，版本号形如 2.14.0+cu130。

2. 硬件本身没有问题

plain 复制代码

NVIDIA-SMI 592.19    Driver Version: 592.19    CUDA Version: 13.1
GPU 0: NVIDIA GeForce RTX 5060 Laptop GPU, 8151MiB

驱动正常，支持到 CUDA 13.1。注意：RTX 5060 是 Blackwell 架构（算力 sm_120），必须用 cu128 或更高的构建，旧的 cu121/cu126 轮子即使装上也无法识别这块显卡。

3. 本机额外限制：官方源极慢

直连 download.pytorch.org 实测仅约 0.1 MB/s（torch cu130 轮子约 1.9 GB，需要 8 小时以上），因此改用阿里云镜像。

三、环境信息

环境	Python	原 torch 状态
`E:\PyNumpyLearning\python.exe`（PATH 第一位，本文目标）	3.14.7	2.14.0+cpu（已替换为 GPU 版）
`D:\Python313\python.exe`	3.13.13	2.13.0+cpu（未处理）

安装前先用 where python、python -c "import sys; print(sys.executable)" 确认操作的是哪个解释器。

四、安装步骤

第 1 步：卸载 CPU 版

bash 复制代码

"E:\PyNumpyLearning\python.exe" -m pip uninstall -y torch torchvision torchaudio

第 2 步（推荐路径）：从阿里云镜像安装

阿里云同步了 PyTorch 官方 CUDA 轮子，直接用它作为索引：

bash 复制代码

"E:\PyNumpyLearning\python.exe" -m pip install torch torchvision torchaudio \
    --index-url https://mirrors.aliyun.com/pytorch-wheels/cu130/

镜像目录：https://mirrors.aliyun.com/pytorch-wheels/cu130/（另有 cu121/cu124/cu126/cu128/cu129/cu132 等目录）。

第 2 步（备选路径）：镜像单线程也慢时，curl 分段并行下载再本地安装

本机实测镜像单线程约 0.8 MB/s，16 段并行可达 14+ MB/s（1.9 GB 约 2 分钟）。安装好的三个轮子文件名：

plain 复制代码

torch-2.14.0+cu130-cp314-cp314-win_amd64.whl        (1,998,865,090 字节)
torchvision-0.29.0+cu130-cp314-cp314-win_amd64.whl
torchaudio-2.11.0+cu130-cp314-cp314-win_amd64.whl

下载脚本（Git Bash 运行，核心是 curl -r start-end 分段 + 后台并发 + cat 拼接 + 大小校验）：

bash 复制代码

#!/bin/bash
set -u
DL="$LOCALAPPDATA/Temp/torch_gpu_dl"; mkdir -p "$DL"; cd "$DL"
BASE="https://mirrors.aliyun.com/pytorch-wheels/cu130"
TORCH="torch-2.14.0+cu130-cp314-cp314-win_amd64.whl"
TORCH_SIZE=1998865090          # 先 curl -sI 查 Content-Length
N=16
CHUNK=$(( (TORCH_SIZE + N - 1) / N ))

dl_part() {                    # 下载第 i 段，已完成则跳过（可断点续传）
  local i10=$((10#$1)) start=$((i10*CHUNK)) end=$((start+CHUNK-1))
  [ $end -ge $TORCH_SIZE ] && end=$((TORCH_SIZE-1))
  [ -f "part_$1" ] && [ "$(stat -c%s "part_$1")" -eq $((end-start+1)) ] && return 0
  curl -s --retry 8 -r "${start}-${end}" -o "part_$1" "${BASE}/${TORCH//+/%2B}"
}
for i in $(seq -w 0 $((N-1))); do dl_part "$i" & done; wait
cat part_* > "$TORCH"
[ "$(stat -c%s "$TORCH")" -eq "$TORCH_SIZE" ] || { echo "SIZE MISMATCH"; exit 2; }

然后本地安装（URL 中的 + 需编码为 %2B）：

bash 复制代码

"E:\PyNumpyLearning\python.exe" -m pip install \
    "./torch-2.14.0+cu130-cp314-cp314-win_amd64.whl" \
    "./torchvision-0.29.0+cu130-cp314-cp314-win_amd64.whl" \
    "./torchaudio-2.11.0+cu130-cp314-cp314-win_amd64.whl"

五、验证

python 复制代码

import torch, time
print(torch.__version__)                 # 2.14.0+cu130
print(torch.cuda.is_available())         # True
print(torch.version.cuda)                # 13.0
print(torch.cuda.get_device_name(0))     # NVIDIA GeForce RTX 5060 Laptop GPU
print(torch.cuda.get_device_capability(0))  # (12, 0) → sm_120

# 真实 GPU 运算测试
a = torch.randn(2048, 2048, device='cuda')
b = torch.randn(2048, 2048, device='cuda')
c = a @ b                                # 结果张量位于 cuda:0

本次实测输出：GPU matmul 50x(2048^3): 989.9ms, 结果张量在 cuda:0。

六、注意事项

版本号后缀是判断依据 ：+cpu = CPU 版，+cu130 = CUDA 13.0 构建。装完先看后缀。
RTX 50 系列（Blackwell, sm_120）最低要求 cu128 构建，cu126 及以下装上也无法用 GPU。
Windows 的 PyPI 默认源没有 CUDA 版 torch ；升级/重装时务必带 --index-url（官方源或阿里云镜像），不要裸跑 pip install torch。
torchvision / torchaudio 的版本要与 torch 配对（本文组合：2.14.0 / 0.29.0 / 2.11.0），混装可能报 ABI 不兼容。
CUDA 运行时随轮子自带（本例 CUDA 13.0），无需单独安装 CUDA Toolkit，只需 NVIDIA 驱动（592.19，支持 CUDA ≤13.1）满足要求。
D:\Python313 环境中的 torch 2.13.0+cpu 尚未替换，如需使用参照同一路径执行即可。

PyTorch GPU 版安装记录（RTX 5060 + Python 3.14）