企业官网建设流程全解析

torch.cuda.is_available() 返回 False 的常见原因及解决方法

在使用 PyTorch 训练模型时，很多人会先通过下面这行代码检查 GPU 是否可用：

importtorchprint(torch.cuda.is_available())

如果输出：

False

说明当前 PyTorch 没有正常使用 CUDA。

这个问题比较常见，通常和 PyTorch 版本、CUDA 环境、显卡驱动或者安装方式有关。

一、先检查电脑是否有 NVIDIA 显卡

打开 CMD，执行：

nvidia-smi

如果可以正常显示显卡型号、驱动版本、显存占用等信息，说明 NVIDIA 驱动基本正常。

如果提示：

'nvidia-smi' 不是内部或外部命令

或者无法识别显卡，那么优先检查 NVIDIA 驱动是否安装正确。

二、检查 PyTorch 是否安装了 CUDA 版本

运行：

importtorchprint(torch.__version__)print(torch.version.cuda)print(torch.cuda.is_available())

例如：

2.5.1+cu121 12.1 True

表示安装的是支持 CUDA 12.1 的 PyTorch。

如果：

print(torch.version.cuda)

输出：

None

那么大概率安装的是 CPU 版本 PyTorch。

此时即使电脑有 NVIDIA 显卡：

torch.cuda.is_available()

依然会返回：

False

三、检查是否误装了 CPU 版本 PyTorch

可以使用：

pip show torch

查看当前 PyTorch 信息。

如果之前直接执行：

pipinstalltorch

某些环境下可能安装到不符合预期的版本。

可以先卸载：

pip uninstall torch torchvision torchaudio

然后根据自己的环境重新安装 CUDA 对应版本。

安装完成后再次测试：

importtorchprint(torch.cuda.is_available())

四、检查 NVIDIA 驱动

执行：

nvidia-smi

通常可以看到：

Driver Version CUDA Version

需要注意：

nvidia-smi中显示的 CUDA Version 并不代表你一定安装了对应版本的 CUDA Toolkit。

它主要表示当前显卡驱动最高支持的 CUDA 版本。

PyTorch 是否能够使用 GPU，最终还是要看：

torch.version.cuda

以及：

torch.cuda.is_available()

五、检查当前 Python 环境

如果电脑中安装了多个 Python 或 Conda 环境，很容易出现：

PyTorch 明明安装了 CUDA 版本，但是当前运行代码的环境并不是那个环境。

可以执行：

where python

Windows 下可以查看当前 Python 路径。

如果使用 Conda：

condaenvlist

检查当前激活的环境。

例如：

conda activate pytorch

然后再运行：

python

进入 Python：

importtorchprint(torch.cuda.is_available())

六、IDEA 或 PyCharm 使用了错误解释器

有时候终端中执行：

torch.cuda.is_available()

返回：

True

但是在 PyCharm 或 IDEA 中运行却返回：

False

这通常不是 CUDA 问题，而是 IDE 使用了另外一个 Python 环境。

需要检查项目解释器是否和终端中的环境一致。

例如 Conda 环境路径可能类似：

Anaconda3/envs/pytorch/python.exe

确保 IDE 使用的是安装了 GPU 版 PyTorch 的解释器。

七、检查 CUDA 设备数量

可以运行：

importtorchprint(torch.cuda.device_count())

如果输出：

0

说明 PyTorch 当前没有检测到可用 CUDA 设备。

如果输出：

1

说明检测到了 1 张 GPU。

还可以查看显卡名称：

print(torch.cuda.get_device_name(0))

例如：

NVIDIA GeForce RTX 4060 Laptop GPU

八、完整检测代码

可以直接运行下面这段代码：

importtorchprint("PyTorch版本：",torch.__version__)print("CUDA版本：",torch.version.cuda)print("CUDA是否可用：",torch.cuda.is_available())print("GPU数量：",torch.cuda.device_count())iftorch.cuda.is_available():print("当前GPU：",torch.cuda.get_device_name(0))

正常情况下可能输出：

PyTorch版本： 2.5.1+cu121 CUDA版本： 12.1 CUDA是否可用： True GPU数量： 1 当前GPU： NVIDIA GeForce RTX 4060 Laptop GPU

九、代码中正确使用 GPU

即使：

torch.cuda.is_available()

返回 True，也需要把模型和数据移动到 GPU。

一般写法：

device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")

然后：

model=model.to(device)

数据同样需要移动：

x=x.to(device)y=y.to(device)

否则模型依然可能运行在 CPU 上。

十、常见问题总结

1.torch.version.cuda是 None

说明当前 PyTorch 很可能是 CPU 版本。

解决：

重新安装支持 CUDA 的 PyTorch。

2.nvidia-smi无法运行

一般先检查：

• NVIDIA 显卡驱动
• 驱动是否正确安装
• 系统是否识别显卡

3. CMD 中是 True，PyCharm 中是 False

大概率是：

Python解释器不一致

检查 PyCharm 当前解释器。

4. GPU 能识别但程序还是跑 CPU

检查是否执行：

model.to(device)

以及：

data.to(device)

总结

如果：

torch.cuda.is_available()

返回：

False

可以按照下面顺序排查：

1. nvidia-smi 检查显卡和驱动 2. torch.version.cuda 检查 PyTorch CUDA 版本 3. 检查是否安装了 CPU 版 PyTorch 4. 检查 Python / Conda 环境 5. 检查 PyCharm 或 IDEA 解释器 6. 重新安装匹配的 PyTorch CUDA 版本

大多数情况下，问题都出在：

PyTorch版本不对

或者：

当前使用的Python环境不对

确认环境一致之后，通常就可以正常使用 GPU。