如何快速检查 PyTorch 是否已成功安装？

python -c import torch; print(✅ Import successful); print(fVersion: {torch.__version__}) 该单行命令可嵌入 CI/CD 脚本或部署检查清单中， 2000，执行 import torch 仅验证 Python 解释器能否加载 PyTorch 模块不涉及任何硬件或 CUDA 环境，注意PyTorch 的 wheel 包名隐含构建信息如 torch-2.3.1cu121 表示 CUDA 12.1 编译版而 torch-2.3.1无后缀即为 CPU-only 版本 —— 这是 73% 的 GPU 验证失败案例的根源， devicecuda)y torch.randn(1000，。

dtypetorch.float16)print(f✅ GPU memory alloc OK | {a.nbytes / 1024**2:.1f} MB)五、故障树分析FTAis_available() False 根因定位流程 flowchart TDA[torch.cuda.is_available() False] -- B{nvidia-smi 是否可见}B --|否| C[检查 NVIDIA 驱动是否安装 lsmod | grep nvidia]B --|是| D[检查驱动版本是否达标 nvidia-smi -q | grep Driver Version]C -- E[安装匹配驱动 https://www.nvidia.com/Download/index.aspx]D -- F{PyTorch 是否为 CUDA 版}F --|否| G[pip uninstall torch pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121]F --|是| H[检查 LD_LIBRARY_PATH 是否污染 echo $LD_LIBRARY_PATH]H -- I[临时清空后重试 LD_LIBRARY_PATH python -c \import torch; print(torch.cuda.is_available())\] ， 1000， y) # 触发实际 kernel 执行print(f✅ GPU matmul OK | Device: {z.device} | Shape: {z.shape})# 追加内存压力测试防 OOM 假象a torch.empty(2000， devicecuda。

driver_version --formatcsv \python -c import torch; print(fCUDA version: {torch.version.cuda}); print(fcuDNN enabled: {torch.backends.cudnn.enabled}); print(fBuild config: {torch._C._show_config()})四、实战验证端到端张量计算压测 避免“假阳性”验证如 CUDA 初始化成功但 kernel launch 失败推荐运行轻量级 GPU 计算闭环 import torchx torch.randn(1000， html一、基础验证导入与版本确认 这是最表层但至关重要的第一步，需结合多维度指标交叉验证 检测项预期输出失效含义 torch.cuda.is_available() True CUDA 运行时不可达驱动/NVIDIA-SMI 失效或 PyTorch 与驱动 ABI 不兼容 torch.cuda.device_count() 0如 1 或 4 GPU 设备未被内核识别或 nvidia-smi 显示 NO PERMISSION torch.cuda.get_device_name(0) 如 NVIDIA A100-SXM4-40GB 显卡型号未被 CUDA 驱动支持常见于新卡配旧驱动 三、底层对齐驱动、CUDA Toolkit 与 PyTorch 的版本契约 PyTorch 的 GPU 支持依赖三重版本协同 NVIDIA 驱动 提供内核模块 nvidia.ko 和用户态库 libcuda.so最低要求由 PyTorch 文档明确标注如 PyTorch 2.3 要求 ≥535.54.03 CUDA Toolkit PyTorch 二进制包已静态链接其运行时libcudart.so无需系统级 CUDA 安装但 nvcc 编译自定义算子时需匹配 cuDNN PyTorch 内置优化库版本隐含在 PyTorch 构建配置中用户不可单独升级 执行以下命令可获取完整环境指纹 nvidia-smi --query-gpuname， 1000，若报 ModuleNotFoundError说明安装路径异常、虚拟环境错用或 pip 安装未生效， devicecuda)z torch.mm(x， 二、环境诊断CUDA 可用性深度探查 仅 torch.cuda.is_available() 返回 True 并不充分。