在Ubuntu上安装PyTorch GPU版本，本质上需要解决三件事：系统中存在可用的NVIDIA显卡驱动、驱动版本支持目标CUDA版本、PyTorch安装包携带的CUDA运行时与驱动兼容。很多人一上来就急着装CUDA toolkit，结果反而造成环境混乱。实际上，PyTorch官方提供的预编译wheel已经包含了CUDA运行时，真正依赖系统安装的只有NVIDIA驱动。因此整个安装流程可以简化为：检查显卡驱动、确定驱动支持的CUDA上限、选择对应CUDA版本的PyTorch安装命令、安装后验证GPU加速是否生效。
一、检查显卡与驱动状态
第一步是确认系统识别到了NVIDIA显卡，并且驱动已经成功加载。可以使用lspci命令查看显卡型号，再用nvidia-smi查看驱动版本和CUDA支持上限。如果nvidia-smi命令不存在或报错，说明驱动没有安装或没有正确加载，需要进行驱动安装。
在Ubuntu上安装NVIDIA驱动推荐使用系统自带的ubuntu-drivers工具，它会自动检测合适的驱动版本。执行ubuntu-drivers devices可以列出推荐的驱动，通常带有recommended标记。然后通过sudo apt install nvidia-driver-535这样的命令安装，版本号根据实际推荐结果调整。安装完成后重启系统，再运行nvidia-smi确认驱动生效。
lspci | grep -i nvidia ubuntu-drivers devices sudo apt install nvidia-driver-535 sudo reboot nvidia-smi
nvidia-smi输出中右上角的CUDA Version表示该驱动支持的最高CUDA版本，例如显示CUDA Version: 12.2，意味着驱动可以运行使用CUDA 12.2及以下版本编译的程序。这个数值并不是系统实际安装的CUDA toolkit版本，而是驱动能力的上限。后续选择PyTorch的CUDA版本时，只要不超过这个上限即可。
二、选择CUDA版本并安装PyTorch
PyTorch官方提供了多种CUDA版本的预编译包，常见的有cu118、cu121、cu124等。选择哪个版本，只需要满足一个条件：它小于等于nvidia-smi显示的CUDA Version上限。例如驱动显示CUDA Version: 12.2，那么可以安装cu121或cu118的PyTorch，但不能安装cu124，因为驱动不支持。如果不确定，选一个较新的兼容版本通常不会出错。
使用pip安装是最直接的方式。从PyTorch官网复制对应命令时，需要注意index-url指定了官方下载源。以下示例安装CUDA 12.1版本的PyTorch：
python3 -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
如果使用conda管理环境，则执行conda安装命令，conda会自动处理CUDA运行时和依赖库的版本匹配。以下示例同样安装CUDA 12.1版本：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
这里有一个常见误解：安装PyTorch GPU版本必须先安装CUDA toolkit。实际上，只有在需要从源码编译PyTorch或使用自定义CUDA扩展时才需要完整的toolkit。普通用户通过pip或conda安装预编译包，不需要单独安装系统级CUDA，只要驱动满足要求即可。预编译包内已经包含了必要的CUDA运行时库，避免了手动配置环境变量的麻烦。
三、验证GPU加速是否生效
安装完成后，必须通过实际代码确认PyTorch能够调用GPU。在Python环境中执行以下脚本，输出True表示CUDA可用，输出False则需要排查。同时可以打印当前使用的GPU名称和PyTorch编译时的CUDA版本。
import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) print(torch.version.cuda) print(torch.__version__)
如果torch.cuda.is_available返回False，最常见的原因是安装成了CPU版本。可以通过pip list或conda list查看torch包的来源，确认是否带有cu前缀，例如torch-2.3.0+cu121。如果版本号后面没有+cu121字样，说明安装的是CPU版本，需要卸载后重新从指定索引源安装。
另一个常见问题是驱动版本过低。即使安装的是GPU版PyTorch，如果驱动支持的CUDA版本低于PyTorch编译时使用的CUDA版本，运行时也会失败。解决办法是升级驱动，或者安装一个更低CUDA版本的PyTorch。此外，如果系统同时存在多个CUDA路径，环境变量CUDA_HOME或LD_LIBRARY_PATH可能干扰运行时加载，建议在安装PyTorch的虚拟环境中不要设置这些变量。
四、虚拟环境隔离与依赖冲突处理
强烈建议为PyTorch项目创建独立的Python虚拟环境或conda环境。不同项目可能需要不同版本的PyTorch或CUDA，混装在系统Python中很容易导致依赖冲突。使用venv创建轻量级虚拟环境，再在其中执行pip安装命令，可以避免污染全局环境。
python3 -m venv pytorch_env source pytorch_env/bin/activate python3 -m pip install --upgrade pip python3 -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
在虚拟环境中安装完PyTorch后，可以使用pip show torch查看安装位置和版本信息。如果发现环境中同时存在多个torch副本，建议先pip uninstall torch torchvision torchaudio再重新安装。对于conda用户，尽量保持pytorch、pytorch-cuda、cudatoolkit等包来源一致，避免混合使用conda-forge和pytorch官方频道造成版本错乱。
如果需要在同一台机器上使用多个CUDA版本的PyTorch，可以为每个版本创建单独的虚拟环境，通过激活不同的环境切换版本。这种方式比修改系统环境变量更安全，也不会影响系统其他软件的运行。至此，Ubuntu上安装PyTorch GPU版本的完整流程就梳理完毕了，核心思路永远是驱动先行、版本对齐、环境隔离。
