Conda环境A中torch.cuda.is_available()返回True，环境B返回False

以下是针对性的排查和解决步骤：

1. 对比环境包依赖差异 #

虽然使用了相同的pip安装命令，但env A和env B的基础依赖可能存在差异：

• 运行pip list分别导出两个环境的包列表，对比torch、cuda相关包的版本是否完全一致
• 检查env B中是否存在与CUDA冲突的包（比如误装的CPU版PyTorch依赖）

2. 验证PyTorch的CUDA版本 #

在env B中执行以下代码，确认安装的PyTorch是否为指定的CUDA版本：

import torch
print(torch.version.cuda)
print(torch.cuda.device_count())

如果输出的CUDA版本不是11.7，说明pip可能因缓存或网络问题安装了CPU版本。

3. 清理缓存重新安装 #

• 先卸载env B中的PyTorch相关包：

  pip uninstall -y torch torchvision torchaudio
  

• 清除pip缓存，避免安装错误包：

  pip cache purge
  

• 重新执行安装命令：

  pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117
  

4. 检查CUDA环境变量 #

激活env B后，运行以下命令确认CUDA相关环境变量是否正确设置：

echo $CUDA_HOME
echo $PATH | grep cuda
echo $LD_LIBRARY_PATH | grep cuda

若变量为空或路径错误，手动指向系统的CUDA 11.7安装路径（env A可能已配置过这些变量）。

5. 补充Conda CUDA工具包 #

pip安装的PyTorch CUDA版本可能依赖系统或Conda环境内的CUDA toolkit，在env B中安装对应版本的工具包：

conda install -c nvidia cuda-toolkit=11.7

安装完成后重新安装PyTorch，确保依赖完整。

内容的提问来源于stack exchange，提问作者Zulkarnain