先说你拿到这篇帖子能得到什么：我会把 PyTorch 从“下载安装”到“验证能跑”这件事，按我自己的实操顺序完整过一遍，包括环境规划、命令怎么敲、带不带 GPU、踩过的坑、验证到底在验证什么。无论你是刚装好 Python 想入坑深度学习，还是配好了 CUDA 却跑不起模型，这篇都适用。核心就一句：安装 PyTorch 本身不难，难在搞懂“你装的是哪套环境、之后怎么验证它真的能用”。这篇就是我按这个思路重走一遍的记录。
1. 安装前的准备：先想清楚三件事，再动手
1.1 你的需求决定安装方式
PyTorch 目前主流安装方式就是两种：pip 或者 conda。但真正决定你选 CPU 版还是 GPU 版的，不是你是不是“新手”，而是你接下来要干什么。
- 如果你只是跑课程代码、做 andy老师（帮助文档）和基础实验，CPU 版完全够用，没必要碰 CUDA，少很多坑。
- 如果你要训小型网络、玩 Stable Diffusion、跑检测模型，那你真的需要 GPU 版，至少得有 NVIDIA 显卡，显存最好 6GB 以上。
- 如果你是做企业级训练，那你不光要考虑 PyTorch 本身，还要考虑分布式、容器环境、驱动适配。这些都不是“装个库”能解决的，但本文的安装和验证逻辑同样适用。
一个常见误区是“我现在没显卡，先装 CPU 版，以后有卡了再升级”。说实话，我建议你从一开始就装 CUDA 版，哪怕当前没有可用 GPU。因为 PyTorch 的 CUDA 版在无 GPU 机器上也能正常以 CPU 模式运行，而以后你换了带 N 卡的机器，直接就能用，不用重装环境。实测下来，CUDA 版 PyTorch 在纯 CPU 机器上跑，就是用不了 GPU 而已，不会报错。
1.2 Python 版本和虚拟环境：别小看这个前置步骤
PyTorch 官方对 Python 版本支持范围比较广，目前主流版本（2.x）支持 Python 3.8 到 3.12。这看起来“很宽”，但实际坑就藏在细节里：
- Python 版本太新（比如 3.13 刚出），PyTorch 的预编译包可能还没跟上，安装会失败。
- Python 版本太旧（比如 3.6），不会有对应新版 PyTorch 包。
- 如果你用的是系统自带的 Python，没有虚拟环境，之后跑项目时各种包冲突会让你疯掉。我亲眼见过有人 tensorflow 和 torch 装在同一环境，最后 tf 报 CUDA 错，torch 报版本错，半天找不出原因。
强烈建议安装 Miniconda，而不是 Anaconda。这个建议我反复给身边人讲。Anaconda 自带几百个包，占了几个 G 的空间，但实际你新项目用到的连 1% 都不到。Miniconda 只有 conda 和 Python 本身，体积小，装包全靠自己按需来。你要的 conda 功能它全都有，而且环境隔离的做法完全一致。
提示：conda 不是 Python 的替代品，而是一个跨语言的环境管理器。它装 Python、管理包、隔离环境，像装修公司的“项目经理”——你要哪个房间（环境），它给你搭哪个，互相不影响。
1.3 版本匹配：为什么有人装了一小时还没跑起来
这里说的“匹配”，指的是 Python 版本、pip 版本、PyTorch 版本、CUDA 版本、显卡驱动版本这五者之间的关系。你把它们想成五个齿轮，任何一个齿数不对，整个传动就卡死。
拿 CUDA 来说。很多人搞混一个概念：CUDA 不是一个“装一次就完事”的独立软件，它分布在系统和 PyTorch 包两个层面。
- 显卡驱动自带运行库（driver），这个版本决定你的 GPU 能不能跑计算。
- PyTorch 的 CUDA 版会自带一套 CUDA runtime（就是安装包里那几百 MB 的库文件），这个决定 PyTorch 调用的 CUDA API 是哪个版本。
所以就算你的驱动版本比 PyTorch 要求的低一点，有时候也能跑，因为 PyTorch 自带 runtime 不依赖系统级 CUDA toolkit。但驱动版本如果太老，低于 PyTorch 对应 CUDA 的最低要求，就会报“CUDA driver version is insufficient”之类的错。这个后面我会详细讲怎么查。
2. 环境搭建：conda、Python 与虚拟环境实操
2.1 安装 Miniconda 的步骤和注意事项
去清华镜像站或者 conda 官网下载 Miniconda 安装包。安装时有两个关键点，很多人没注意：
- 安装路径不要带中文和空格。比如
C:\Users\张三\miniconda3这种路径，后面无穷无尽的坑等着你。 - 安装时勾选“Add Miniconda3 to my PATH environment variable”。有的版本会问是否把 conda 加到 PATH，建议勾上，否则后面在终端里敲
conda会提示找不到命令。
装完验证一下：
conda --version如果在终端里能正常输出conda 24.x.x之类的版本号，说明这一步到位了。如果提示conda 无法将“conda”项识别为 cmdlet、函数、脚本文件或可运行程序的名称，大概率就是 PATH 没配好。解决方式有两个：要么重装并勾选 PATH 选项，要么手动把...\miniconda3\Scripts和...\miniconda3两个目录加到系统环境变量 Path 里。
注意：如果安装时没勾选 PATH，但你不想重装，手动配置环境变量时一定要把 conda 相关的路径加在 Path 列表的前面，避免被别的 Python 解释器抢先截获命令。
2.2 创建独立的 PyTorch 虚拟环境
这是整个安装过程中最值得“慢下来”的一步。我不管装什么框架，都会先建一个独立环境，并且环境名一定带版本号，比如pytorch2.3：
conda create -n pytorch2.3 python=3.10解释一下为什么选 Python 3.10：目前 PyTorch 2.x 对 3.10 支持最成熟，各种扩展库（torchvision、torchaudio、onnxruntime）的预编译包覆盖最全。3.11 和 3.12 也能用，但如果某个库没跟上，安装时就要自己编译，那个过程酸爽到你想砸电脑。
创建完成后激活：
conda activate pytorch2.3激活后，终端提示符前面应该会显示(pytorch2.3)。这一步是后面所有操作的前提。很多人装完 PyTorch，结果装到了 base 环境，换了终端窗口又找不到 torch，就是没注意当前激活的环境是哪一个。
2.3 conda 识别不了？八成是“环境激活状态”的问题
conda : 无法将“conda”项识别为 cmdlet...这种报错，在我帮人排查的过程里出现频率极高。除了 PATH 问题，还有一个常见场景：你在 PowerShell 里第一次装完 conda，当前终端窗口没有重新加载环境变量，所以识别不了。解决办法很简单——关掉终端重开一个。
另外，conda 自带的终端和系统终端还不一样。Windows 的开始菜单里有 “Anaconda PowerShell Prompt” 和 “Anaconda Prompt”，这两个终端会自动初始化 conda 环境变量，新手直接用这两个来装包，出问题的概率最低。
如果重开终端还是不行，再检查一下系统环境变量 Path 里有没有被别的 Python 抢先。一台机器如果装了多个 Python（比如官网 Python、WinPython、VS 自带的 Python），终端里执行python时会走第一个匹配的路径。用下面的命令查一下当前指向：
where python如果第一个路径不是你 Miniconda 里的，恭喜你，找到问题了。把 Miniconda 的路径上移，或者在激活虚拟环境后用python -c "import sys; print(sys.executable)"确认解释器路径。
3. 安装 PyTorch：GPU 版和 CPU 版的分叉口
3.1 官网生成的安装命令到底该怎么读
进入 PyTorch 官网首页，往下拉就有 Install 区域。它支持选择 Linux/Windows/macOS、pip/conda、CUDA 版本。选好后会生成一行命令。以我写这篇时的主流版本为例，conda 方式的 GPU 版命令长这样：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia而 pip 方式的命令长这样：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这两个命令很值得逐段解读，因为多数人的安装失败就是没看懂它们在装什么。
pytorch是主框架，负责张量运算、自动求导、神经网络层。torchvision是视觉工具库，提供数据集、预训练模型、图像变换。装它不亏，跑 CV 实验必备。torchaudio是音频工具库，做语音、音频处理时用。pytorch-cuda=12.1或 URL 里的cu121，指定的是 PyTorch 运行时使用的 CUDA 版本，不是驱动版本，也不是系统全局 CUDA 版本。这一行最容易让人懵。
3.2 为什么要指定 CUDA 版本而不是“自动匹配”
官方默认的安装命令（不带任何 CUDA 参数）装的是 CPU 版本，这一点官方页面写得很清楚。很多新手不指定--index-url或者pytorch-cuda，最后发现 torch.cuda.is_available() 返回 False，就是因为在标准 PyPI 源里拉到的 torch 是 CPU 版。
再深入一点，GPU 版按 CUDA 版本又分成 cu118、cu121、cu124 等，对应 CUDA 11.8、12.1、12.4。这些版本差异对绝大多数用户来说，跟你显卡驱动支持的 CUDA 版本有关。
查询驱动支持的最高 CUDA 版本：
nvidia-smi右上角会显示CUDA Version: 12.4之类的字样。这就是你驱动能支持的最高版本。你安装 PyTorch 时选择 CUDA 12.1 或者 12.4 都可以，只要不超过右上角这个数值就行。如果你驱动显示的 CUDA 版本是 11.8，那装 cu121 大概率会报驱动太老。这个匹配关系是：
驱动支持的 CUDA 版本 ≥ PyTorch 包内置的 CUDA 版本。
可以“向下兼容”，不能太随意地往上超。
3.3 安装慢和失败的大救星：镜像和本地包
国内网络环境装 PyTorch 经常遇到一个尴尬：官网源下载速度几十 KB/s，或者下载到一半中断。我自己的经验排序是：
- 先试官网命令。如果速度能接受（比如 5 MB/s 以上），直接等它装完，最省事。
- 用国内镜像源装 pip 版。清华源（
https://pypi.tuna.tsinghua.edu.cn/simple）和阿里源都比较稳。命令：
但注意，这样装到的是 CPU 版还是 GPU 版，取决于官方在 PyPI 主源上放的默认包。目前 PyPI 主源默认是带 CUDA 的 Linux 包，而 Windows 下从 PyPI 源安装往往不带 CUDA 支持。所以这个办法省事但不一定能装上 GPU 版。pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple - 直接下载本地 whl 包再装。从
https://download.pytorch.org/whl/torch_stable.html找到对应 Python 版本、操作系统、CUDA 版本的.whl文件，下载后用pip install 路径/文件名.whl安装。这招适合网络极差或需要精确控制版本的人。
注意：如果要用 pip 装 GPU 版，
--index-url后面必须是 PyTorch 官方 whl 仓库，不能是清华的 PyPI 镜像。清华镜像里也有 PyTorch 的 GPU 包，但版本更新速度和可用架构未必全。对新手，我建议直接参考官网命令，最多把下载超时时间调大一点：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 --timeout 120
3.4 conda 安装和 pip 安装，到底哪种更好
这个问题我几乎每周都被人问。我的回答永远是：先看你的工作流。
- 如果你主要用 conda 管理环境、项目里依赖了少量 conda 包，那用 conda 方式安装，环境依赖解析更完整。
- 如果你的项目里用了很多 pip 才能装的包（比如一些 GitHub 上的工具库），那直接用 pip 方式安装 PyTorch 反而更省心，避免 conda 和 pip 混用时的“已安装但不被识别”问题。
从我实测体验来看，conda 方式在 Windows 上安装 GPU 版时，经常因为 conda 的依赖解析和下载慢导致整个过程很煎熬。而 pip 方式直接拉 whl，包是打包好的，安装速度更快，问题更少。所以我近年推荐的都是 pip 方式，除非你所在环境必须用 conda。
但有一点必须强调：无论用哪种方式，不要在一个环境里既用 conda install 装 torch，又用 pip install 装 torch。选一条路走到黑，否则版本错乱得让你怀疑人生。
4. GPU 支持：驱动、CUDA 与版本验证一条龙
4.1 Windows 驱动签名问题：装完点“安装”却没反应的真相
热词里出现了“Windows 无法验证此设备所需的驱动程序的数字签名”这样长串的报错，这通常发生在你安装某些需要驱动的硬件——常见的有 USB 网卡、采集卡、虚拟串口，甚至有些新款的 USB 转以太网设备。这问题表面上跟 PyTorch 无关，但它会阴魂不散地打断你的环境搭建流程。比如你笔记本插了个 USB 网卡准备下载大文件，驱动装不上，网卡不工作，然后你以为是镜像源的问题，折腾半天。
如果遇到这种报错，最简单的路径是：
- 去硬件厂商官网下载对应型号的最新驱动，不要用 Windows 自动更新给的旧版。
- 右键驱动安装包，选择“以管理员身份运行”。
- 如果还是提示数字签名问题，考虑临时禁用驱动签名强制。方法：设置 → 系统 → 恢复 → 高级启动 → 立即重新启动，然后在选项里依次选择“疑难解答” → “高级选项” → “启动设置” → 重启后按数字键 7（禁用驱动程序强制签名）。
这个操作只对当前启动生效，重启后恢复默认。装完驱动正常后记得重新开启，别一直裸奔着用。
4.2 验证 CUDA 是否真的可用：比 is_available 更细的检查
安装完 PyTorch 后，最简单的验证是：
import torch print(torch.__version__) print(torch.cuda.is_available())如果输出True，恭喜，你有一个可用的 CUDA 环境。但如果输出False，不要急着放弃，按这个顺序排查：
第一步：确认显卡驱动层面能识别 GPU。
nvidia-smi如果这命令报错，说明驱动没装好。如果你根本没有 N 卡，这一步可以直接终结——老老实实用 CPU 版吧。
第二步：确认 PyTorch 编译时带的是哪个 CUDA 版本。
print(torch.version.cuda)如果输出是12.1，说明这个轮子是用 CUDA 12.1 编译的。注意 PyTorch 2.x 的 CUDA 包可能显示类似12.1的字符串，这正常。
第三步：指定设备做一次真实计算，而不是只调is_available()。
device = torch.device("cuda" if torch.cuda.is_available() else "cpu") x = torch.randn(3, 3).to(device) y = x @ x print(y)如果这段代码能输出一个 3x3 的张量且没有警告，说明 GPU 计算链路是通的。
4.3 真机实测：GPU 版安装完成后你应该看到的输出
我把自己的安装结果展示一下，方便你对照。在环境pytorch2.3里执行：
python -c "import torch; print(torch.__version__); print(torch.version.cuda); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"我这边输出的是：
2.3.1 12.1 True NVIDIA GeForce RTX 3080 Laptop GPU注意观察几个点：
torch.__version__后面没有+cu121或者+cpu后缀，这是因为 conda 版本输出风格不同。如果用 pip 安装，输出多半是2.3.1+cu121这样带后缀的格式。torch.cuda.get_device_name(0)能正常显示显卡型号，说明驱动和库都正常识别了。- 如果你的输出是
2.3.1+cpu或者torch.version.cuda显示为None，那就是装成了 CPU 版。
4.4 一次完整的小训练验证：张量、自动求导、GPU 占用
比“import 成功”更有说服力的验证，是跑一段真实代码看 GPU 有没有在干活。我最常用的验证脚本如下：
import torch import torch.nn as nn # 检查设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(f"Using device: {device}") # 在 GPU 上创建一个随机张量并做矩阵乘法 x = torch.randn(2048, 2048, device=device) w = torch.randn(2048, 2048, device=device) y = x @ w print(f"Matrix multiplication result shape: {y.shape}") # 验证自动求导 x2 = torch.randn(1, requires_grad=True) y2 = x2 ** 2 + 3 * x2 y2.backward() print(f"Gradient: {x2.grad}") # 一个小网络的前向 model = nn.Sequential(nn.Linear(32, 64), nn.ReLU(), nn.Linear(64, 2)).to(device) sample = torch.randn(4, 32, device=device) out = model(sample) print(f"Model output shape: {out.shape}")这段代码如果跑通，说明几件事：驱动正常、PyTorch GPU 核功能正常、自动求导和网络层都正常。为了更严谨，可以在跑这段代码的同时，另开一个终端执行nvidia-smi -l 1观察 GPU 利用率是不是从 0% 跳到某个非零值。如果利用率一直 0%，说明计算没在 GPU 上发生，代码可能被强制放在了 CPU 上。
5. 安装后的核心验证：不只是“import 成功”
5.1 验证清单：从“能导入”到“能真实工作”
很多新手把import torch不报错就当作安装成功。这个标准太低了。我按照工作流的依赖顺序整理了一个验证清单：
| 验证层级 | 命令/操作 | 预期结果 | 说明 |
|---|---|---|---|
| 层级1：包可导入 | python -c "import torch; print(torch.__version__)" | 正常输出版本号 | 说明 pytorch 基础框架包完整 |
| 层级2：CPU 计算 | 执行两个随机张量乘法 | 无报错，输出 shape | 说明底层编译的工具链（如 MKL）正常 |
| 层级3：GPU 可见 | print(torch.cuda.is_available()) | True | 说明驱动和 PyTorch CUDA runtime 匹配 |
| 层级4：GPU 计算 | 在 GPU 上做矩阵乘和卷积 | 无报错，输出结果 | 说明 CUDA kernel 能真的被调用 |
| 层级5：反向传播 | 训练一个 3 层小网络若干步 | loss 下降 | 说明 autograd 完整可用 |
这个清单是我在帮别人排错时总结出来的。大部分问题的迹象会先暴露在层级3或层级5上。如果你层级3返回 False，前面装的多努力都白费；如果层级5 loss 不降，说明可能只是代码问题，环境本身没问题。
5.2 功能验证：从官方 API 到实际场景
安装验证本身不只是为了“确信装好了”，更是为了熟悉 PyTorch 后续你在项目里天天要用的几个核心功能：
- 张量操作：torch.randn、torch.zeros、tensor.view、tensor.permute。这些在之后处理图像、文本数据时会高频使用。
- 自动微分：backward() 和 requires_grad 是 PyTorch 的立身之本，训练模型时 loss.backward() 每天都在跑。
- 模块与模型：nn.Linear、nn.Conv2d、nn.Sequential，以及自定义 nn.Module。
- 数据加载：Dataset、DataLoader、transform。即便是验证，也应该一道跑通。
我个人习惯是在装完环境后，直接把之前某一个项目的训练脚本拷进来跑 2~3 个 epoch。这样比跑“官方 demo 验证”更真实，因为实际训练脚本会触发你安装环境里所有关键依赖——数据加载、numpy 交互、tensorboard、模型保存加载等。如果这些全过一次没问题，那这个环境就是真的“能干活”的。
5.3 一个更严格的验证：用真实数据集训练一分钟
如果你连“torchvision 自带数据集能不能下载”这个链路都想验证，可以跑下面这段：
import torch import torchvision import torchvision.transforms as transforms transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=256, shuffle=True, num_workers=2) dataiter = iter(trainloader) images, labels = next(dataiter) print(f"Batch shape: {images.shape}, labels shape: {labels.shape}")这段代码如果跑通，至少验证了：torchvision 已装好、数据集下载和 torchvision 的 transform 链路正常、DataLoader 多进程加载正常。对新手来说，这一串验证完，说明环境是完整可用的，不是“装了个空壳”。
6. 安装过程中的高频报错与排查实录
6.1 问题速查表（附当时场景）
| 报错信息/现象 | 常见原因 | 解决方向 |
|---|---|---|
conda 无法将“conda”项识别... | conda 未加入 PATH，或当前终端未重载环境变量 | 重开终端、检查 PATH、使用 Anaconda Prompt |
pip install torch 后 import torch 报错 ModuleNotFoundError | 装到了另一个 Python 环境 | 检查which python/where python，确认当前是否在目标虚拟环境 |
torch.cuda.is_available()返回 False | 装成 CPU 版、驱动太老、NVIDIA 核显不支持 | 报torch.version.cuda、nvidia-smi，对照版本选轮子 |
CUDA driver version is insufficient for CUDA runtime version | 驱动版本低于 PyTorch 内置 CUDA 版本 | 升级显卡驱动，或改用更低 CUDA 版本的 PyTorch |
| 安装时下载慢/中断 | 默认源网络不稳定 | 用清华源、阿里源，或本地 whl 安装 |
No module named 'torchvision' | 安装 pytorch 时没一起装 torchvision | 单独补装pip install torchvision，注意版本和 torch 匹配 |
训练时报RuntimeError: CUDA out of memory | GPU 显存不足，batch_size 太大，存在内存泄漏 | 调小 batch，或换更轻量模型，或用torch.cuda.empty_cache() |
| Windows 提示驱动数字签名无法验证 | 设备驱动签名问题 | 去官网下驱动、管理员安装、临时禁用强制签名 |
6.2 最隐蔽的坑：pip 和 conda 混装的底层冲突
这两个工具都管理包，但彼此不互通。它们各自维护“哪些文件、哪个版本装在哪个路径”的记录。混用会导致：你conda install了 torch 2.1，但pip install另一个包时，pip 按自己的记录可能“看”不到已有 torch，于是又装了一份 torch 2.3，最后 import torch 报版本对不上。
我的实操经验是：在 conda 虚拟环境里，所有依赖都尽量用 pip 装，但 conda 环境本身不要 disable。换句话说，环境隔离用 conda，包管理用 pip。这种模式兼容性最好，尤其是安装各种 GitHub 项目时，大多数项目都默认你使用 pip 安装依赖。
如果你已经混装导致出问题，最省心的解决方式是直接重建环境，不要试图手动卸载、清理。重新创建一个干净环境，把依赖从 requirements.txt 里按顺序 pip 安装，效率通常更高。
6.3 版本兼容性速查表：PyTorch、torchvision、Python
这个表格是给想精确控制版本的人准备的。PyTorch 2.x 时代，torchvision 和 torch 的版本必须对齐，否则 import 时经常报找不到_C扩展模块之类莫名其妙的问题。
| PyTorch 版本 | 对应 torchvision 版本 | 支持的 Python 版本（常见平台） | 备注 |
|---|---|---|---|
| 2.0.x | 0.15.x | 3.8 - 3.11 | 较老但稳定 |
| 2.1.x | 0.16.x | 3.8 - 3.11 | 兼容性普遍好 |
| 2.2.x | 0.17.x | 3.8 - 3.11 | 很多项目默认版本 |
| 2.3.x | 0.18.x | 3.8 - 3.12 | 推荐，社区生态更新快 |
| 2.4.x | 0.19.x | 3.8 - 3.12 | 新特性多，但个别老代码可能不兼容 |
如果使用 pip 官方 index-url 安装，pip install torch torchvision torchaudio会自动解析匹配版本；但如果用--index-url指定 PyTorch 仓库，最好直接同时指定三个包，防止 torch 和 torchvision 解析到不匹配的版本。
6.4 Windows/Linux/macOS 的验证差异
最后提一个跨平台差异。苹果的 M 系列芯片只能用 CPU 或者 MPS（Metal Performance Shaders）加速，不能用 CUDA。所以在 Mac 上：
print(torch.backends.mps.is_available())如果返回 True，说明可以用torch.device("mps")跑 GPU 加速。Linux 服务器上安装后验证方式和 Windows 一致，但要注意服务器通常没有图形界面，nvidia-smi是唯一的驱动查询入口。另外 Linux 上 pip 装的 PyTorch GPU 包默认从 PyPI 源装到的可能就是 CUDA 版，这一点和 Windows 不同，很多人跨平台切换时被坑过。
7. 最后再分享几个我积累的经验
装 PyTorch 这件事，本身 20 分钟能搞定，但如果你在上面踩了坑，可能一整天都出不来。我最后分享几个经验，都是我实际遇到过之后才总结出来的。
第一，不管用什么源、什么方式，有条件就固定 PyTorch 版本，再搭配对应 torchvision。不要装“最新版”，最新版往往意味着社区里的解决方案还少，出问题了翻遍全网搜不到答案。宁可装一个晚了一个月的稳定版，也别当第一个吃螃蟹的人。
第二，验证的代码一定要保留下来，不要只装完就跑。我每次搭完环境，会在项目根目录放一个check_env.py，里面就是上面那段网络验证脚本。任何一次换机器、换环境、升级驱动之后，我都跑一遍，十秒钟就能确认环境是否健康。这样比临时查“怎么验证 PyTorch”方便得多。
第三，Windows 下如果 PyCharm 里 import torch 还是报错，多半是解释器选错了。PyCharm 的 Project Interpreter 必须指向你 conda 虚拟环境里的python.exe（路径一般在...\envs\pytorch2.3\python.exe）。这跟命令行里激活环境是两码事，很多人命令行敲得好好的，PyCharm 里却死活 import 失败，就是解释器没切过去。
第四，跑大型训练前，先跑一次nvidia-smi看看 GPU 温度和显存占用。如果显存被别的进程占满，PyTorch 一申请显存就会 OOM。这时候你要么关掉那些进程，要么用torch.cuda.empty_cache()清理缓存，要么把CUDA_VISIBLE_DEVICES=0指定到空闲显卡上。
安装 PyTorch 是整个深度学习炼丹生涯里最简单但也最影响心态的一环。把环境规划好、版本固定住、验证脚本留着，后面你就只管跑代码、调模型，不需要再回头跟环境缠斗。这套流程我重复过很多次，按照上面的顺序走，基本一次成型。
