先确认显卡驱动支持的CUDA版本，再通过conda或pip安装匹配的框架和cudatoolkit；使用独立虚拟环境避免依赖冲突，确保PyTorch/TensorFlow的CUDA版本与系统一致，可解决GPU无法调用、导入报错等问题。
搭建 TensorFlow 或 PyTorch 深度学习环境时，常因依赖冲突、CUDA 版本不匹配或虚拟环境配置不当导致失败。以下列出常见问题及实用解决方案，帮助快速完成环境部署。
CUDA 与显卡驱动不兼容
TensorFlow 和 PyTorch 的 GPU 加速依赖 CUDA 和 cuDNN，若版本不匹配会导致无法调用 GPU。
解决方法：
- 先查看显卡驱动支持的最高 CUDA 版本：在终端运行 nvidia-smi，顶部显示的 CUDA 版本是驱动支持的上限。
- 安装对应框架推荐的 CUDA 版本。例如 PyTorch 官网提供带 CUDA 的安装命令；TensorFlow 2.10+ 需要 CUDA 11.2，旧版本可能用 CUDA 10.1。
- 避免手动安装 CUDA Toolkit，优先使用 conda 或 pip 安装 cudatoolkit 包，如：conda install cudatoolkit=11.8，可减少环境冲突。
PyTorch 安装后无法使用 GPU
即使安装了支持 GPU 的 PyTorch，torch.cuda.is_available() 仍返回 False。
检查步骤：
- 确认安装的是含 CUDA 的 PyTorch 版本，使用官网生成的安装命令（如通过 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118）。
- 运行 python -c "import torch; print(torch.version.cuda)" 查看 PyTorch 编译时使用的 CUDA 版本，应与系统或 conda 环境中的 cudatoolkit 一致。
- 确保没有多个 Python 环境混淆，特别是在 Jupyter Notebook 中运行时，内核可能指向其他环境。
TensorFlow 安装报错或无法导入
常见于 Windows 或老旧 CPU 不支持 AVX 指令集。
应对策略：
- 新版 TensorFlow 要求 CPU 支持 AVX。若提示 illegal instruction，说明 CPU 过旧。可尝试安装 Intel 推出的优化版本：pip install intel-tensorflow，或使用 Google Colab 远程运行。
- 使用 conda 安装可自动处理部分依赖：conda install tensorflow-gpu（适用于旧版本），新版本建议用 pip。
- 注意不要混用 pip 和 conda 安装的包，易引发 DLL 冲突或版本错乱。
虚拟环境管理混乱
多个项目共用一个环境，导致包版本冲突。
建议做法：
- 为每个项目创建独立 conda 环境：conda create -n myproject python=3.9，再激活并安装所需框架。
- 在环境中安装 ipykernel 并注册内核，以便在 Jupyter 中选择：python -m ipykernel install --user --name=myproject。
- 定期清理无用环境：conda env remove -n old_env，节省磁盘空间。
基本上就这些。环境问题大多源于版本错配和路径混乱，只要按官方推荐方式安装、使用隔离环境，大多数问题都能避免。不复杂但容易忽略细节。
