每个人都可以，
拥有SSL证书

配环境的时候很容易遇到这种情况：机器上的 CUDA 版本太新，PyTorch 官方还没适配，直接装就报错或者跑不起来。

这种时候老老实实把 CUDA 降下去，再装对应的 PyTorch 版本，流程其实不复杂，就是几个地方要留意。

先去 PyTorch 官网看清楚你需要的 PyTorch 版本到底支持哪些 CUDA。

比如 PyTorch 2.1.0 支持 CUDA 11.8 和 12.1，PyTorch 1.12.0 就只能到 11.3 和 10.2。知道了这个范围，再决定降到哪个 CUDA 版本。

驱动这边也要看一眼。

nvidia-smi 输出里会有一行 “CUDA Version”，那表示当前驱动最高能支持到哪个 CUDA 版本。你要装的 CUDA 版本不能超过这个值，而且像 CUDA 12.1 要求驱动版本不低于 525.60.13，如果驱动太低，得先去 NVIDIA 官网升级驱动。

确定目标版本之后，开始降 CUDA。

Windows 下操作这样：先去控制面板里的程序和功能，找到 CUDA Toolkit 卸载掉。卸载完之后，安装目录一般还在，比如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA，手动删掉。注册表也可以清理一下，Win+R 输入 regedit，找到 HKEY_LOCAL_MACHINE\SOFTWARE\NVIDIA Corporation\CUDA 项删掉（这步小心点，不熟悉注册表的话建议先备份）。

这些都做完重启电脑。然后去 NVIDIA CUDA 工具包存档页面下载目标版本的安装包，比如 11.8，正常安装就行。

Linux 下的话，先用包管理器把 CUDA 卸了。

Ubuntu/Debian 一般是 sudo apt-get purge cuda，再把 /usr/local/cuda 整个目录删掉，防止残留。然后编辑 ~/.bashrc 或者 ~/.zshrc，把之前设置的环境变量里关于 CUDA 的路径删掉，比如 export PATH=/usr/local/cuda/bin:$PATH 这类行。重启系统。接着去 NVIDIA CUDA 存档下载对应版本的 .run 文件，执行 sudo sh cuda_11.8.0_*.run 安装。

CUDA 降好之后，建议新建一个 conda 环境来装 PyTorch，避免和系统其他 Python 包冲突。比如 conda create -n pytorch_env python=3.10，激活环境后再装 PyTorch。

用 pip 安装指定 CUDA 版本的 PyTorch，命令大概长这样（以 CUDA 11.8 为例）：

pip install torch==2.1.0+cu118 torchvision==0.16.0+cu118 --index-url https://download.pytorch.org/whl/cu118

也可以用 conda 装，命令是：

conda install pytorch==2.1.0 torchvision==0.16.0 cudatoolkit=11.8 -c pytorch

装完之后验证一下，避免自欺欺人。

import torch
print(torch.version.cuda)      # 应该输出 11.8
print(torch.cuda.is_available())  # True
print(torch.__version__)       # 2.1.0

如果输出没问题，GPU 也正常识别，基本就搞定了。

平时需要快速检查驱动支持的最高 CUDA 版本，除了看完整 nvidia-smi，还可以直接用这条命令：

nvidia-smi | grep "CUDA Version"

另外，把所有验证信息一次性打出来可以保存成脚本，方便以后排查：

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

说两个常见报错。

如果碰到 CUDA version mismatch，大概率是 PyTorch 编译时用的 CUDA 版本和当前运行的 CUDA 工具包不一致，要么把 PyTorch 换成匹配的 CUDA 后缀重装，要么把 CUDA 工具包调整到对应版本。驱动不兼容的话，nvidia-smi 里驱动版本明显太低，直接去 NVIDIA 驱动下载页面装个高版本驱动，重启机器就好了。

整个流程走完，CUDA、驱动、PyTorch 版本的对应关系理顺，后面跑模型基本就不会再因为这些版本问题报错了。