“为什么我的 PyTorch 认不出显卡？”
“新买的显卡装了旧版 CUDA 为什么报错？”
这两个问题，几乎是每个玩深度学习的人都会踩的坑。很多情况下，问题出在软件版本与硬件架构之间的错配上。新卡装旧驱动、旧卡强行追新版本，都是常见操作，结果就是各种莫名其妙的报错。下面这份速查表把 PyTorch、CUDA 和显卡架构之间的对应关系整理清楚了，从最新的 RTX 50 系列 (Blackwell) 到经典的 GTX 10 系都涵盖在内。每次配新环境前翻出来看一眼，能省下不少折腾时间。
核心逻辑图解
在往下看表格前，先理清显卡架构的代际关系与 CUDA 版本的强绑定逻辑。简单来说，每一代新架构往往都要求更高的 CUDA 版本支持，而老卡虽然能装新 CUDA，但性能上不一定有提升，反而可能带来兼容性问题。
一、PyTorch 版本对照表 (推荐)
PyTorch 是目前兼容性最好的框架之一，只要 CUDA 驱动版本足够高，通常都能向下兼容。不过对于使用最新硬件的用户，建议直接上 2.4 或更高版本。要是你手头是 RTX 50 系，2.6.x 的 Nightly 版本是首选，能完整释放新一代架构的性能。
| PyTorch 版本 | Python 版本 | 推荐 CUDA | 适用显卡建议 |
|---|---|---|---|
| 2.6.x (Dev/Nightly) | 3.10 - 3.13 | 12.8 | RTX 50系 完美释放性能首选 |
| 2.4.x / 2.5.x | 3.9 - 3.12 | 12.4, 12.1 | RTX 50系 (基础支持), RTX 40系, H100 |
| 2.1.x - 2.3.x | 3.8 - 3.11 | 12.1, 11.8 | RTX 40系, 30系 (50系不推荐) |
| 1.13.x 及更早 | 3.7 - 3.10 | 11.7, 11.6 | 老架构显卡专用 (Pascal/Maxwell) |
最新显卡安装贴士
如果你用的是 Blackwell 架构 (RTX 50系) 或 Ada 架构 (RTX 40系)，建议优先使用 CUDA 12.x 的 PyTorch 包，直接 pip 安装即可：
pip3 install torch torchvision --index-url https://download.pytorch.org/whl/cu124
二、显卡架构与算力 (Compute Capability) 速查
显卡架构决定了算力上限 (Compute Capability) 和 CUDA 版本的下限。新卡不能装太旧的 CUDA，但老卡通常可以使用新 CUDA。这里有一个要注意的点：新 CUDA 对老架构的优化有限，没必要一味追新。
| 显卡系列 | 架构代号 | 算力 (Arch) | 最低 CUDA 要求 | 最佳 CUDA 版本 |
|---|---|---|---|---|
| RTX 5090 / 5080 | Blackwell | 10.0 (sm_100) | CUDA 12.4+ | 12.6 / 12.8 |
| H100 / H800 | Hopper | 9.0 (sm_90) | CUDA 11.8 | 12.x |
| RTX 4090 / 4060 | Ada Lovelace | 8.9 (sm_89) | CUDA 11.8 | 12.1+ |
| RTX 3090 / 3060 | Ampere | 8.6 (sm_86) | CUDA 11.1 | 11.8 (万金油) |
| RTX 20 / GTX 16 | Turing | 7.5 (sm_75) | CUDA 10.0 | 11.8 |
| GTX 1080 Ti | Pascal | 6.1 (sm_61) | CUDA 8.0 | 10.2 - 11.x |
三、TensorFlow 版本对应关系
相比 PyTorch，TensorFlow 对新硬件的支持节奏稍慢一些。Windows 用户尤其要注意：TF 2.10 是支持 GPU 的最后一个 Windows 本地版本。如果想在 Windows 上用新版 TF，别无选择，得走 WSL2 (Ubuntu 子系统) 这条路。
| 环境 | 注意事项与建议 |
|---|---|
| Linux (Ubuntu) | 推荐 TensorFlow 2.16+ 配 CUDA 12.3。这是发挥新显卡性能的最佳 OS。 |
| Windows | 原生支持止步于 TF 2.10 (最高支持 RTX 30/40系，50系兼容性未知)。如需使用新版 TF，必须使用 WSL2 (Ubuntu 子系统)。 |
| Docker | 最推荐方案。直接拉取 NVIDIA 官方镜像 nvcr.io/nvidia/tensorflow:xx.xx-tf2-py3，无需在宿主机折腾环境。 |
抄作业：不同配置的“黄金搭配”
最后总结几套可以直接照着抄的“黄金配置”，按自己的硬件对号入座就行。
- 前沿性能组 (RTX 50/40系)：Python 3.11 + PyTorch 2.5/2.6 + CUDA 12.4+。理由很简单：新架构的 FP8 等新特性，只有 CUDA 12 才能完全发挥。
- 主流稳定组 (RTX 30/40系)：Python 3.10 + PyTorch 2.3/2.4 + CUDA 12.1。市面上绝大多数开源项目都能跑，兼容性最好。
- 经典兼容组 (RTX 20/30系)：Python 3.9/3.10 + PyTorch 2.0 + CUDA 11.8。CUDA 11.8 是过去几年的统一度量衡，极其稳定。
- 古董收藏组 (GTX 10系)：Python 3.8 + PyTorch 1.12 + CUDA 11.3。老卡别追新，能跑起来就是胜利。
