最容易被忽略的一步，其实就是把 PyTorch 编译时绑定的 CUDA 版本（torch.version.cuda）、GPU 是否真正可用（torch.cuda.is_a vailable()），以及实际加载路径（LD_LIBRARY_PATH 里 cuda 路径的先后顺序）一起核对。只要这三者对不上，隐性冲突往往就会悄悄冒出来。

确认PyTorch绑定的CUDA版本和系统实际加载的版本

最常被跳过的一步是验证到底哪两个版本在打架。只看 nvidia-smi 或 nvcc --version 完全不够——它们显示的是驱动支持能力或编译器版本，不是PyTorch运行时实际加载的CUDA库版本。

必须同时运行这三条命令：

• python -c "import torch; print(torch.version.cuda)" → PyTorch编译时锁定的CUDA主版本（如 11.8）
• python -c "import torch; print(torch.cuda.is_a vailable())" → 是否能真正调用GPU（False 往往说明动态库没加载对）
• echo $LD_LIBRARY_PATH | tr ':' 'n' | grep cuda → 看哪些CUDA路径被优先搜索，顺序决定加载谁

如果第一项输出 11.8，但第三项里排第一的是 /usr/local/cuda-12.1/lib64，冲突根源就在这里——PyTorch想用11.8的库，却先找到了12.1的。

conda环境内强制指定CUDA运行时路径

conda装的 cudatoolkit 是精简版，不含 nvcc，但它会把对应版本的 lib64 放进环境目录。关键在于让PyTorch优先看到它，而不是系统全局路径。

激活环境后，立即执行：

• export LD_LIBRARY_PATH="$(dirname $(python -c "import torch; print(torch.__file__)"))/lib:$LD_LIBRARY_PATH" → 把PyTorch自带的lib目录置顶（它内部已打包匹配的CUDA运行时）
• unset CUDA_PATH → 避免conda自动注入的 CUDA_PATH 干扰（某些旧版conda会设成系统路径）
• 再验证：python -c "import torch; print([x for x in torch._C._cuda_getCurrentRawStream(0)] if torch.cuda.is_a vailable() else 'no cuda')" → 不报错才算真通

注意：不要在 ~/.bashrc 里永久写死这个 LD_LIBRARY_PATH，否则切换环境时会污染其他项目。

系统级多CUDA共存时避免软链接误切

/usr/local/cuda 这个软链接看似方便，实则是隐形冲击波。一旦你用 sudo ln -sf /usr/local/cuda-12.1 /usr/local/cuda 切换，所有未显式隔离的Python进程（包括Jupyter、VS Code终端）都会跟着切，哪怕它们本该用11.8。

更安全的做法是：

• 保留 /usr/local/cuda 指向最常用版本（比如12.1），但绝不依赖它
• 每个项目启动脚本开头显式设置：export LD_LIBRARY_PATH="/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH"
• 用 ls /usr/local/ | grep cuda 确认路径名——有些安装会生成 cuda-11.8.0 而非 cuda-11.8，少个 .0 就直接失败

Windows用户同理：必须把 C:Program FilesNVIDIA GPU Computing ToolkitCUDA v11.8bin 放到系统 PATH 最前面，且不能只靠 CUDA_PATH 变量。

pip与conda混用导致的隐性冲突

用 pip install torch 把 PyTorch 装好，再接着用 conda install cudatoolkit=11.8，表面上像是把环境配齐了，实际上风险不小。因为 pip 版 PyTorch 的二进制包里已经自带了完整的 CUDA 运行时（torch/lib 下面那一堆 *.so），而 conda 安装的 cudatoolkit 又是另一套。这样一来，loader 很可能随机挑一个来用，符号表一旦对不上，程序就会直接崩掉。

根治方法只有一条：

• 要么全用conda（从 pytorch channel装，带 cudatoolkit 依赖自动解决）
• 要么全用pip（去 PyTorch正式下载页 找带 cu118 后缀的wheel，不额外装 cudatoolkit）
• 绝对不要 conda install pytorch + pip install torch 共存于同一环境

最容易被忽略的点：Jupyter notebook kernel 如果没重启，旧进程仍持有已卸载的CUDA库句柄，即使重装也会继续报错——关掉kernel再重开。

《夸克》非常好用的免费AI浏览器

下载APP查看