CUDA / PyTorch 环境检查

先确认驱动和 GPU 可见，再安装或调整框架。不要只看某个版本号就判断环境一定兼容。

第一轮检查

nvidia-smi
nvcc --version
python3 --version
python3 -m pip --version

如果 nvidia-smi 都无法执行，优先处理驱动、实例状态或镜像问题，不要先重装 PyTorch。

检查 PyTorch 是否识别 GPU

python3 - <<'PY'
import torch
print("torch:", torch.__version__)
print("cuda available:", torch.cuda.is_available())
print("cuda version:", torch.version.cuda)
print("device count:", torch.cuda.device_count())
if torch.cuda.is_available():
    print("device 0:", torch.cuda.get_device_name(0))
PY

如何判断问题在哪一层

现象	优先判断
`nvidia-smi` 不存在	镜像或驱动没有准备好，先确认实例实际配置。
`nvidia-smi` 正常，PyTorch 不可用	Python 环境中的 PyTorch/CUDA 构建不匹配，检查虚拟环境和安装来源。
GPU 数量少于预期	确认实例 GPU 数量、容器可见设备变量和程序启动参数。
显存不足	查看任务的 batch size、模型副本、缓存和多卡分配，不要直接归因于平台故障。

版本策略：平台镜像、驱动和框架版本会变化。本页提供检查方法，不固定承诺某一组 CUDA/PyTorch 版本；安装前请按项目要求选择兼容组合。