必须严格匹配CUDA、cuDNN和深度学习框架版本；先用nvidia-smi查驱动支持的最高CUDA版本（如12.4），再根据GPU型号和框架官方推荐（如PyTorch 2.3配CUDA 12.1+cuDNN 8.9.2）选择组合，优先用conda install pytorch-cuda=12.1安装，最后验证torch.cuda.is_available()为True。
用GPU跑Python图像识别项目，核心是装对CUDA、cuDNN和深度学习框架的版本，三者必须严格匹配。跳过这步直接pip install，大概率报错“no CUDA-capable device”或“version mismatch”。
确认显卡型号和驱动版本
先打开终端执行：
nvidia-smi
看右上角显示的CUDA Version（这是驱动支持的最高CUDA版本），不是你装的CUDA版本。比如显示“CUDA Version: 12.4”，说明驱动兼容CUDA 12.4及以下——你可以装12.3，但不能装12.5。
同时记下GPU型号（如RTX 4090），去NVIDIA官方文档查它支持的CUDA最低版本（通常40系需CUDA 11.8+）。
安装匹配的CUDA和cuDNN
别从官网下最新版！去PyTorch或TensorFlow官网查它们当前稳定版推荐的CUDA/cuDNN组合。例如PyTorch 2.3官方推荐CUDA 12.1 + cuDNN 8.9.2。
- 用conda装最省事：
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia - 如果必须用pip，去PyTorch官网选择器生成对应命令，自动带CUDA版本
- cuDNN不用单独装——conda或pip安装的PyTorch已内置编译好的cuDNN，手动装反而容易冲突
验证GPU是否可用
进Python后运行这几行：
立即学习“Python免费学习笔记（深入）”；
import torch
print(torch.cuda.is_available()) # 应输出True
print(torch.cuda.device_count()) # 看几块卡
print(torch.cuda.get_current_device()) # 当前设备ID
print(torch.cuda.get_device_name(0)) # 显卡名
如果is_available()返回False，常见原因：驱动太旧、CUDA路径没加进环境变量、或用了CPU-only版本的torch（比如装了torch而不是torch-cuda）。
图像识别项目快速启动示例
以ResNet50微调为例，确保数据加载时启用GPU：
model = models.resnet50(pretrained=True).cuda() # .cuda()搬模型到GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
# 数据也送GPU
images, labels = images.to(device), labels.to(device)
训练循环里加torch.cuda.empty_cache()可缓解显存碎片，尤其小显存卡（如RTX 3060 12G）跑大batch时有用。
基本上就这些。不复杂但容易忽略版本对齐，建议第一次搭环境时直接用conda + 官方推荐命令，比手动配稳妥得多。
