说实话，在conda虚拟环境里配置cuda、cudnn和pytorch这套深度学习环境，我已经被同一块石头绊倒过无数次了。每次帮别人排查环境问题，十有八九都是卡在版本对不上、装错位置、或者压根没搞清楚cuda和pytorch之间的对应关系上。这东西真不是靠死记硬背命令就能配好的，你得先明白它们之间是怎么协同工作的，再动手就不会慌。
这篇文章就是写给准备从零配置深度学习环境的新手，也适合被各种报错搞到心态爆炸的老哥。我会把这套流程拆开揉碎，讲清为什么这么做，再把每一步命令和验证方法都给你安排上。按照这个流程走，在conda虚拟环境里装好cuda、cudnn和pytorch，基本一次能过。
1. 为什么非要用conda虚拟环境来装深度学习环境
先说你可能会遇到的场景：你打开一个开源项目，它的依赖是pytorch 1.13 + cuda 11.7，另一个项目要pytorch 2.1 + cuda 12.1。如果你全装进系统环境，这两个项目大概率会互相打架——不是torch版本冲突，就是numpy、protobuf这些底层库被另一个项目覆盖，最后只能靠不停重装环境来续命。
1.1 系统环境里直接装库的三大痛点
第一个痛点是依赖冲突。深度学习生态里的库之间依赖关系极其脆弱，torch版本升级可能导致numpy API不兼容，tensorflow和pytorch共存时protobuf版本经常互踩。第二个痛点是权限问题。直接在系统Python里pip install，往往需要sudo权限，装完系统Python目录里一片混乱，想卸载又怕误删别的包。第三个痛点是环境隔离缺失。你没法按项目精确锁定版本，今天调通的项目，明天装个新库可能就崩了。
1.2 conda虚拟环境到底是怎么“隔离”的
conda虚拟环境本质上就是在你硬盘上创建一个独立的目录，里面装着属于这个环境的一套Python解释器、库文件和可执行程序。当你执行conda activate时，conda只是修改了当前终端的PATH环境变量，把环境目录的bin文件夹放到最前面。这样你在终端敲python、pip时，系统优先找的就是这个环境目录里的版本，而不是全局的那个。
这个机制的关键优势在于：环境之间完全独立，删掉某个环境只需要删掉对应目录，不碰其他任何东西。相比Python自带的virtualenv，conda还能管理Python解释器本身，甚至可以指定任意Python版本。比如conda create -n pytorch python=3.9会自动下载一个3.9的Python解释器到环境目录里，完全不依赖系统自带的Python版本。
1.3 conda对cuda/cudnn这类底层库的特殊意义
这一点很多人没意识到：conda不仅能管理Python包，还能管理非Python的底层二进制库。cudatoolkit和cudnn在conda里就是以库文件形式出现的，它们会被安装到环境的lib/目录里。这意味着你可以在不同conda环境里各装一套不同版本的cuda库，这个环境用cuda 11.7，那个环境用cuda 12.1，互不干扰。
这在传统做法里是不可思议的。以前你要在系统层面装cuda，装完就全局生效，想切换版本得改一堆PATH和软链接。conda把这一切变成了环境内的文件依赖，这也是为什么它能大幅降低深度学习的入门门槛。
2. 动手前先看清三件事：显卡、驱动和conda本身的准备
2.1 先用nvidia-smi确认显卡驱动状态
在开始配环境之前，第一件事是确认你的NVIDIA显卡驱动正常。终端敲这一行命令：
nvidia-smi输出内容里你会看到两块关键信息：右上角的Driver Version是驱动版本，右上角CUDA Version是当前驱动支持的最高CUDA版本。注意，这个CUDA Version不是说你已经装好了cuda，它只表示驱动能支持到哪个版本。
比如显示CUDA Version: 12.4，说明你的驱动可以搭配任何≤12.4的cuda版本使用。如果你的PyTorch要求cuda 11.8，那完全没问题。如果你的驱动版本太老，顶多支持到cuda 11.0，那就得先更新驱动，否则后面可能识别不到GPU。
2.2 驱动CUDA和运行时CUDA的区别（新手最容易搞混的点）
这是新手最常踩的坑。nvidia-smi显示的CUDA Version是驱动层面的最大支持版本，而实际你编译、运行程序时用的是运行时CUDA，也就是你安装的CUDA Toolkit（或者在conda里装的cudatoolkit）。
举个例子：你的驱动显示CUDA Version: 12.4，但你在conda环境里装的PyTorch对应的是cuda 11.8，这时nvidia-smi照样显示12.4，你的PyTorch也能正常用。驱动是向下兼容的，cuda 11.8的运行时在12.4的驱动上没问题。
所以别被nvidia-smi的显示迷惑了。判断你这个环境到底用的哪个cuda版本，要在conda环境里看nvcc --version或者python -c "import torch; print(torch.version.cuda)"，这些反映的才是实际运行时版本。
2.3 安装Miniconda与换源
如果你还没装conda，我建议装Miniconda而不是Anaconda。Anaconda预装了一堆你用不到的包，体积巨大，启动还慢。Miniconda只带conda本身和Python，其他包你按需自己装。
安装流程很简单，去官网下载对应系统的安装脚本，或者用命令行下载。装完以后有一步很重要：换源。不换源的话，conda和pip下载包的速度会让人崩溃。所谓换源，就是把包下载地址从官方服务器换成国内镜像服务器，这样可以显著提升下载速度。
conda换源是在用户目录下创建或修改~/.condarc文件：
channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud保存后执行conda clean -i清除索引缓存，再conda create -n test python=3.9试试看速度。
pip也要设置镜像，通常执行这两条命令即可：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple设置好之后，后续所有安装过程都会顺畅很多。
3. 创建conda虚拟环境并选对PyTorch安装命令
3.1 创建虚拟环境并确定Python版本
假设我们要建一个名为dl的深度学习环境，Python版本先选3.9。为什么不用最新的3.12？因为pytorch等深度学习库对最新Python版本的支持往往滞后几个月，很多第三方扩展库甚至在新版本Python上直接无法编译。3.9或者3.10是目前兼容性最稳的选择。
conda create -n dl python=3.9 -y conda activate dl激活成功后你会在终端看到(dl)前缀，这就是进入虚拟环境的标志。之后所有操作都在这个环境里，不会污染其他环境。
在Pycharm里面使用该环境时，需要在解释器设置里找到对应conda环境的Python路径。一般点开Pycharm的设置 -> Project -> Python Interpreter，选择Conda Environment，然后在Conda executable处填Miniconda安装目录下的conda命令路径，它会自动识别已存在的环境供你选择。
3.2 看懂PyTorch官网的安装选择器
进入PyTorch官网首页，往下拉就能看到Install PyTorch的选项区。你需要选择你的系统、包管理器（pip还是conda）、以及CUDA版本。官网会给你生成对应的安装命令，比如：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118这里的cu118代表CUDA 11.8对应的PyTorch预编译版本。同理cu121代表CUDA 12.1。你要做的事很简单：先看你的显卡驱动最高支持到什么CUDA版本（用nvidia-smi查看），然后选择不超过这个版本的那个cu版本。
注意，现在官方主推pip安装方式，因为PyTorch官方优先发布pip包，conda渠道的包可能会有延迟，而且版本更新慢。但这不是说你不能从conda装。后面我会讲这两种方式的关键区别。
3.3 conda装和pip装PyTorch，到底有什么区别
这里需要重点讲清楚，因为选错了方向，你可能在后面浪费大量时间。
用pip安装PyTorch时，装的是官方预编译好的wheel包，里面只包含torch、torchvision、torchaudio这三个Python库。它不包含cuda运行时库和cudnn。所以用pip方式前，你需要确认系统里或conda环境里有对应的cuda和cudnn库，否则虽然能import torch，但torch.cuda.is_available()会返回False，等于装了个CPU版。
而用conda安装PyTorch时，例如：
conda install pytorch torchvision torchaudio cudatoolkit=11.8 -c pytorchconda会自动把cudatoolkit和cudnn作为依赖一起装进当前环境里。你不需要手动去NVIDIA官网下载任何东西。这对于新手来说是最省事的方式。
我的建议是：如果你不想折腾，直接用conda方式安装。如果你想要最新的PyTorch版本，或者需要特定cu版本，就用pip方式，同时另装一个cudatoolkit来满足依赖。
4. CUDA和cuDNN到底要不要单独装
4.1 大部分PyTorch场景不需要单独装
有一种流传很广的说法：装PyTorch前必须去NVIDIA官网装好CUDA Toolkit和cuDNN。这个说法在很大一部分场景下是过时的。
如果你只是用PyTorch训练模型、推理，不搞源码级扩展，那通过conda安装时自动带上的cudatoolkit和cudnn完全够用。PyTorch项目底层是自己编译过的CUDA代码片段，它只依赖libcudart和libcudnn这两个运行时库，并不依赖完整的CUDA Toolkit开发套件。只要相关库文件存在，它就能正常工作。
4.2 必须单独装完整版CUDA的场景
但有一类场景必须在系统层面安装完整版CUDA Toolkit：你需要编译CUDA扩展代码。比如你在搞自定义的C++/CUDA算子，或者编译一些需要nvcc编译器的第三方库。
我之前就栽过一次：跑一个光流估计的项目，仓库要求必须本地编译一个CUDA extension，结果编译时报错找不到nvcc。一查才发现我只有conda环境里的运行时cudatoolkit，并没有开发版的CUDA Toolkit，里面不包含编译器。这种情况就只能去NVIDIA官网下载对应版本的CUDA Toolkit安装了。
另外，如果你的工作流涉及TensorFlow、JAX等同样依赖CUDA的框架，或者需要多个CUDA版本共存测试，那单独安装较为合理。
4.3 单独安装cuda和cudnn的标准流程（如果你需要）
先说多版本共存怎么处理。NVIDIA官网下载的CUDA Toolkit安装包默认安装到/usr/local/cuda-11.8这种带版本号的目录，然后软链接/usr/local/cuda指向其中一个。这样你想切换版本时，只要改下环境变量即可。
举个例子，先用nvcc --version查看当前cuda版本，如果是11.8，但你还需要12.1，就再装一个到不同目录，然后通过修改PATH和LD_LIBRARY_PATH来切换。
安装比较常用的方式是采用.run文件安装：
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda_11.8.0_520.61.05_linux.run sudo sh cuda_11.8.0_520.61.05_linux.run安装过程中有一步会问你是否要安装驱动，这里务必取消，只保留CUDA Toolkit部分，避免把现有驱动搞挂。
装完之后设置环境变量，在你自己的~/.bashrc里追加：
export PATH=/usr/local/cuda-11.8/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATHcuDNN的安装也简单，先去官网下载对应cuda版本的cuDNN压缩包，解压后把内容复制到CUDA目录下即可：
tar -xzvf cudnn-linux-x86_64-8.9.7.29_cuda11-archive.tar.xz sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/lib/* /usr/local/cuda-11.8/lib64/ sudo cp cudnn-linux-x86_64-8.9.7.29_cuda11-archive/include/* /usr/local/cuda-11.8/include/4.4 gzip: stdin: invalid compressed># 查看当前环境中的cuda运行时版本 nvcc --version # 如果conda环境里没有nvcc，显示的是系统cuda，这就是很多人被误导的地方 python -c "import torch; print(torch.__version__)" python -c "import torch; print(torch.version.cuda)" python -c "import torch; print(torch.backends.cudnn.version())"
这里有个技巧：到底该以哪个为准？当你用conda装了cudatoolkit，环境里会有$CONDA_PREFIX/bin/nvcc，执行which nvcc看看结果路径在哪里。如果指向/usr/local/cuda/bin/nvcc而不是conda环境目录，说明你当前用的不是conda环境里的cuda编译器。但实际上PyTorch运行时用的库是import torch; print(torch.version.cuda)这个值，它以PyTorch内置的库为准。
查看cuDNN版本，通常用Python方式查最准：torch.backends.cudnn.version()会返回一个数字，比如8907代表cuDNN 8.9.7。
5.3 用一段代码验证GPU真的参与计算
打开Python交互式终端，执行如下代码：
import torch print("PyTorch版本:", torch.__version__) print("CUDA是否可用:", torch.cuda.is_available()) print("GPU名称:", torch.cuda.get_device_name(0)) # 构造两个GPU上的随机张量并做矩阵乘法 a = torch.randn(1000, 1000).cuda() b = torch.randn(1000, 1000).cuda() c = torch.matmul(a, b) print("GPU矩阵乘法结果:", c.sum().item())如果在最后一步结果正常输出了一个数字，说明数据确实在GPU上计算了。同时开另一个窗口运行nvidia-smi，会看到你的Python进程占用了显存，那就彻底放心了。
6. 新手高频报错的排查思路与处理方法
6.1 conda error: run 'conda init' before 'conda activate'
这个报错几乎每个新手都会碰到一次。根源在于你的shell会话没有加载conda的初始化配置。安装Miniconda后，安装程序会提示是否帮你执行conda init，很多人这时候手滑跳过去了。
解决方案很直接，执行一次：
conda init bash然后重新打开一个终端。如果执行后仍然无效，检查~/.bashrc里是否有conda的初始化代码块，没有就手动在文件末尾加入：
source /path/to/miniconda3/etc/profile.d/conda.sh注意把/path/to/miniconda3替换成你的实际安装路径。
另外提醒一下，如果你用的是zsh而不是bash，执行conda init zsh即可，原理相同。
6.2 装完PyTorch后发现还是CPU版本
这个坑的典型表现是：torch.cuda.is_available()返回False，但nvidia-smi明明能看到显卡。原因通常有两个。
第一个是你pip安装的包是cpu版本。打开pip安装记录看看操作说明：如果安装命令里带cpu字样的索引源，装的就是CPU版。解决方式很简单，卸载重装，去PyTorch官网复制正确版本的命令，确保索引url里的cu开头且带数字。
第二个是conda环境里自带的cuda库和torch里的cuda库版本不匹配。常见于你混用了pip和conda安装方式。举例来说，用pip装了cu118的torch，然后又用conda装了个cudatoolkit=12.1，导致torch加载时找不到兼容的cuda库。解决方式是把环境里所有torch相关的包卸载干净，统一用同一个源重新安装。
6.3 想卸载重装但环境已经烂了，怎么办
环境有时候会越改越烂，依赖关系一团乱麻。如果实在查不出问题，最干净利落的办法是直接删除环境重建，耗时不多，还能彻底甩掉包袱。
conda deactivate conda remove -n dl --all conda create -n dl python=3.9 -y然后重新按照第3章流程安装即可。这个操作我不建议在一开始就做，但当你试了各种修复都没用的时候，它是性价比最高的方案。
6.4 环境导出与迁移：下次重装不用再手动踩坑
环境配置好后，把依赖清单导出来存着是个好习惯。这能让你在换机器或环境崩了之后快速恢复：
conda env export > dl_env.yaml以后恢复环境时执行：
conda env create -f dl_env.yaml如果你不换机器，只换了目录或者想用uv这类新工具管理Python环境，也可以先把pip freeze导出的requirements.txt留一份，里面记录了所有pip包的精确版本号：
pip freeze > requirements.txt pip install -r requirements.txt我从第一次配置深度学习环境到现在，被各种版本不匹配的问题反复折磨过。后来养成了一个习惯：每次配置环境时先想清楚“我最终要跑什么项目，这个项目的PyTorch版本要求是什么，我的显卡驱动支持哪个CUDA版本”，然后再动手。这个过程梳理清楚之后，配置环境就不再是一团乱麻，而是有章可循的流水线操作。
最后分享一个小技巧：不要把conda的默认环境（base）拿来装深度学习库。哪怕只在base里装了一个torch，将来你创建其他环境时，base环境的依赖变动很容易引发各种莫名问题。始终坚持“每个项目建独立conda环境”这个原则，你会少踩一大堆坑。