全网最全！Python、PyTorch、CUDA 与显卡版本对应关系速查表

Ne0inhk

— 4 min read
全网最全！Python、PyTorch、CUDA 与显卡版本对应关系速查表
摘要：搞深度学习，最痛苦的不是写代码，而是配环境！
“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？”

本文提供一份保姆级的版本对应关系速查表，涵盖从 RTX 50 系列 (Blackwell) 到经典老卡的软硬件兼容信息。建议收藏保存，每次配环境前查一下，能省下大量的排坑时间！

🗺️ 核心逻辑图解

在看表格前，先理清显卡架构的代际关系与 CUDA 版本的强绑定逻辑。

在这里插入图片描述

📊 一、PyTorch 版本对照表 (推荐)

PyTorch 是目前兼容性最好的框架，只要 CUDA 驱动版本 足高，通常都能向下兼容。对于使用最新硬件（如 RTX 50 系）的用户，请务必使用 2.4 或更高版本。

PyTorch 版本Python 版本推荐 CUDA适用显卡建议
2.6.x (Dev/Nightly)3.10 - 3.1312.8RTX 50系 完美释放性能首选
2.4.x / 2.5.x3.9 - 3.1212.4, 12.1RTX 50系 (基础支持), RTX 40系, H100
2.1.x - 2.3.x3.8 - 3.1112.1, 11.8RTX 40系, 30系 (50系不推荐)
1.13.x 及更早3.7 - 3.1011.7, 11.6老架构显卡专用 (Pascal/Maxwell)
💡 最新显卡安装贴士
如果你使用的是 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：

🖥️ 二、显卡架构与算力 (Compute Capability) 速查

显卡架构决定了你的算力上限 (Compute Capability) 和 CUDA 版本的下限。新卡不能装太旧的 CUDA，老卡通常可以使用新 CUDA。

显卡系列架构代号算力 (Arch)最低 CUDA 要求最佳 CUDA 版本
RTX 5090 / 5080Blackwell10.0 (sm_100)CUDA 12.4+12.6 / 12.8
H100 / H800Hopper9.0 (sm_90)CUDA 11.812.x
RTX 4090 / 4060Ada Lovelace8.9 (sm_89)CUDA 11.812.1+
RTX 3090 / 3060Ampere8.6 (sm_86)CUDA 11.111.8 (万金油)
RTX 20 / GTX 16Turing7.5 (sm_75)CUDA 10.011.8
GTX 1080 TiPascal6.1 (sm_61)CUDA 8.010.2 - 11.x

📉 三、TensorFlow 版本对应关系

TensorFlow 对新硬件的支持相对滞后。Windows 用户请注意：TF 2.10 是支持 GPU 的最后一个 Windows 本地版本。

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”

最后给大家总结几套不想动脑子的“黄金配置”，请根据自己的硬件对号入座：

  1. 前沿性能组 (RTX 50/40系)：
    • 搭配：Python 3.11 + PyTorch 2.5/2.6 + CUDA 12.4+
    • 理由：发挥新架构 (FP8 等) 极致性能，必须拥抱 CUDA 12。
  2. 主流稳定组 (RTX 30/40系)：
    • 搭配：Python 3.10 + PyTorch 2.3/2.4 + CUDA 12.1
    • 理由：市面上绝大多数开源项目都能跑，兼容性最佳。
  3. 经典兼容组 (RTX 20/30系)：
    • 搭配：Python 3.9/3.10 + PyTorch 2.0 + CUDA 11.8
    • 理由：CUDA 11.8 是过去几年的统一度量衡，极其稳定。
  4. 古董收藏组 (GTX 10系)：
    • 搭配：Python 3.8 + PyTorch 1.12 + CUDA 11.3
    • 理由：老卡就别追新了，能跑起来就是胜利。

祝大家的炼丹炉都能火力全开，不冒烟，不报错！🚀

Read more

【算法竞赛】C/C++ 的输入输出你真的玩会了吗？

【算法竞赛】C/C++ 的输入输出你真的玩会了吗？

🔭 个人主页：散峰而望 《C语言：从基础到进阶》《编程工具的下载和使用》《C语言刷题》《算法竞赛从入门到获奖》《人工智能AI学习》《AI Agent》 愿为出海月，不做归山云 🎬博主简介 文章目录 * 前言 * 1. OJ（online judge）题目输入情况汇总 * 1.1 单组测试用例 * 1.2 多组测试用例 * 1.2.1 测试数据组数已知 * 1.2.2 测试数据组未知 * 1.2.3 特殊值结束测试数据 * 2. 输入时特殊技巧 * 2.1 含空格字符串的特殊处理方式 * 2.2 数字的特殊处理方式 * 3. scanf/printf 和

By Ne0inhk
【c++与Linux进阶】线程篇 -互斥锁

【c++与Linux进阶】线程篇 -互斥锁

1. 前言： 在我们之前学习的代码种，就是在建造多线程的路上，我们可以看到出现了乱码或者抢占输出，这是为什么呢？ 本章将带着这个问题来带你思考： 1. 一个例子先来领略问题的所在。 2. 什么是线程互斥. 3. 见识互斥锁。 4. 使用互斥锁 2. 一个买票的例子： 假设我们有100张电影票，我们同时抢票会出现什么，我们来尝试写代码来看看： #include<iostream>#include<thread>#include<vector>#include<string>#include<cstdio>#include<unistd.h>int ticket =100;voidroutine(std:

By Ne0inhk
【C++笔记】STL详解：vector容器的使用

【C++笔记】STL详解：vector容器的使用

前言：         本文在介绍STL框架基础上，进一步讲解了迭代器、auto关键字和范围for循环的使用方法，接下来我们将重点探讨vector类的常用接口及其应用。          一、vector容器的简介             C++ 的 vector 是标准模板库(STL)中最核心且实用的容器之一，其与固定大小的传统数组(如 int arr[10])不同，vector 克服了数组的局限性，它不需要预先确定大小，并且可以动态调整容量。          简单理解为：vector是可变的、经过封装函数功能的数组。                  核心优势：          ①动态扩容：您不需要一开始就告诉它要存多少数据。当空间不够时，它会在底层自动帮您寻找一块更大的内存，把数据搬过去。          ②内存安全：它负责自己内存的分配和释放，大大减少了手动 new 和 delete 带来的内存泄漏风险。          ③功能丰富：它自带了大量现成的工具函数，比如：获取大小、清空数据、在尾部添加数据等。

By Ne0inhk

NumCpp实战指南：从零开始掌握C++数值计算的利器

NumCpp实战指南：从零开始掌握C++数值计算的利器 【免费下载链接】NumCppC++ implementation of the Python Numpy library 项目地址: https://gitcode.com/gh_mirrors/nu/NumCpp NumCpp是一个C++实现的Python Numpy库，为C++开发者提供了强大的数值计算能力。无论是科学计算、数据分析还是工程应用，NumCpp都能帮助开发者轻松处理多维数组和矩阵运算，是C++数值计算的必备工具。 为什么选择NumCpp？ 熟悉的Numpy风格API NumCpp采用了与Numpy相似的API设计，让熟悉Python Numpy的开发者能够快速上手。这意味着你可以使用类似的函数名称和参数结构，大大降低了学习成本。 高效的C++性能 作为C++库，NumCpp充分利用了C++的性能优势，比纯Python实现的Numpy在计算密集型任务上更快。这使得NumCpp成为处理大规模数据和复杂算法的理想选择。 丰富的功能模块 NumCpp提供了丰富的功能模块，包括线性代数、傅里叶变换、

By Ne0inhk