集显安装PyTorch？不，你想知道的CUDA+cuDNN+PyTorch GPU版配置全在这里了（看这一篇就够了）
全网最贴心的深度学习环境搭建指南，不管你是集成显卡还是NVIDIA独显，都能在这里找到正确的安装姿势。
目录
纠正一个致命的误区
第一步：看清你的显卡
集显用户专属：PyTorch CPU版安装 集显直接看第三步
独显用户：从零配置GPU环境
4.1 安装NVIDIA驱动（这一步必须对）
4.2 极简安装方案（推荐90%的用户）
4.3 完整手动配置CUDA + cuDNN（开发者必看）验证安装：三行代码定乾坤
常见大坑与排错指南
结语
一、纠正一个致命的误区
很多刚入门的小伙伴看到标题“集显安装PyTorch GPU版”可能会一愣——集成显卡能不能用CUDA？答案是不能，永远不能。
CUDA是NVIDIA公司推出的并行计算平台和编程模型，只能在NVIDIA独立显卡（GTX/RTX/Quadro/Tesla等）上运行。如果你笔记本或台式机只有Intel核显或AMD集显，那么很遗憾，CUDA这条路走不通。
但这不代表你不能用PyTorch！PyTorch贴心地提供了CPU版本，虽然没有GPU加速，但学习、跑小模型完全够用。而且，如果你有NVIDIA独显（大部分游戏本和台式机都有），那么恭喜你，本文将手把手带你完成从零到完美GPU加速的全流程。
所以本文的逻辑是：
先教你看清自己电脑是什么显卡
集成显卡 → 走CPU版安装，10分钟搞定
NVIDIA独显 → 提供两条路：极简pip安装（无需手动装CUDA/cuDNN）和完整手动配置（适合需要nvcc编译、多版本管理的开发者）
看完这篇，环境问题再也难不住你。
二、第一步：看清你的显卡
在Windows下，按下Ctrl + Shift + Esc打开任务管理器，切换到“性能”标签页，看左侧有没有“GPU 0”、“GPU 1”等。
AMD的显卡不能安装GPU版本的pytorch除非是linux系统不在讨论范围
如果看到“NVIDIA GeForce ...”字样，说明你有NVIDIA独显，继续看第三部分。
如果只看到“Intel HD Graphics”或“AMD Radeon(TM) Graphics”，没有NVIDIA字样，那就是集显，直接跳转到第三部分CPU版安装，别犹豫。
更准确的方法是命令行：按Win + R输入cmd打开终端，确定
执行：
nvidia-smi
如果出现一个带显卡名称、驱动版本、CUDA版本信息的表格，说明驱动已装且识别独显。如果提示“不是内部或外部命令”，我这边是AMD显卡所以只能安装CPU版本即可， 说明要么没有NVIDIA显卡，要么驱动没装（或没装好）。别急，接下来会覆盖。
三、集显用户专属：PyTorch CPU版安装
确认自己只有集显后，不需要折腾任何CUDA，直接安CPU版，轻量快速。
安装Anaconda（可选但推荐）
下载anaconda或者去 Anaconda官网 下载Windows安装包，一路下一步，勾选“Add Anaconda to my PATH environment variable”（安上后在开始菜单栏，通过Anaconda Prompt操作）。安装完成后打开“Anaconda Prompt”。
- 命令
conda create -n pytorch_cpu python=3.9 conda activate pytorch_cpu pip install torch torchvision torchaudio
如果不使用conda，直接用已经安装上的Python也行，命令一样。
pip install torch torchvision torchaudio
- 验证
import torch print(torch.__version__) # 应输出类似 2.x.x+cpu print(torch.cuda.is_available()) # False，正常
看到
False别慌，这就是CPU版的特征。你可以愉快地开始学习了。
CPU版本到此就结束后面别看了
四、独显用户：从零配置GPU环境
成功跑起GPU版的关键，在于驱动 → CUDA → PyTorch这三者的版本兼容。我见过太多倒在版本不匹配上的惨案，所以这一节请认真看。
4.1 安装/更新NVIDIA驱动
打开 NVIDIA驱动下载页 ，根据你的显卡型号和系统选择驱动。如果不确定型号，可以下个“GeForce Experience”自动检测。
注意：一定要安装Game Ready 驱动或Studio 驱动，版本至少457.00以上（实际上现在新驱动都500+了，基本都满足）。安装时选择“自定义” → 勾选“执行清洁安装”，避免旧驱动残留。
装完后重启电脑，再次打开CMD终端运行nvidia-smi，应该能看到类似：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 536.23 Driver Version: 536.23 CUDA Version: 12.2 | |-------------------------------+----------------------+----------------------+
这里显示的CUDA Version: 12.2是驱动支持的最高CUDA版本，不代表你安装了CUDA Toolkit，只是告诉你驱动程序能支持的CUDA上限。我们接下来安装的CUDA Toolkit版本必须 ≤ 这个数字。例如图中是12.2，那你可以装CUDA 12.2, 12.1, 11.8等，但不能装12.3。
4.2 极简安装方案（无需手动CUDA/cuDNN）
原理：PyTorch官方发布的pip包已经内部包含了所需的CUDA库和cuDNN，我们只需一个合适的驱动，再加上一条pip命令，就能完成全部GPU环境。
首先使用anaconda创建环境，没有的下载anaconda安装一下
conda create -n torch_gpu python=3.9
然后激活环境
conda activate torch_gpu 然后安装带有CUDA的torch就可以了
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 后面的cu118就是下载适配CUDA11.8的 你要下载CUDA12.8的就把数字118改成128 现在新版本的几乎都已经更新到128版本了。
搞定！直接第五节验证。
五、验证安装：三行代码定乾坤
无论你用的是极简方案还是完整手动，打开Python（确保在对应虚拟环境下）输入：
python
输入命令
import torch print(torch.__version__) # 如 2.1.1+cu118 print(torch.cuda.is_available()) # True ！！！ 看到这个就是胜利
恭喜你，看完这篇文章，你不仅搞清楚了集显和独显的区别，还掌握了两种截然不同的PyTorch环境搭建方法。。如果这篇文章帮到了你，希望能给个三连（点赞+收藏+关注），你的支持是我继续输出高质量教程的最大动力。