PyTorch CPU版本训练时CUDA初始化错误求助

嘿，我看了你的问题和代码，很快就定位到了问题核心——你虽然正确写了设备判断逻辑，但在代码的几个关键地方手动强制把张量转换成了CUDA类型，这直接导致CPU版本的PyTorch尝试加载CUDA库，触发了那个错误。

问题根源 #

看这两处代码：

1. 在net_sample_output函数里，你硬写了：

   images = images.type(torch.cuda.FloatTensor)
   

2. 在train_net函数里，又重复了同样的错误：

   key_pts = key_pts.type(torch.cuda.FloatTensor)
   images = images.type(torch.cuda.FloatTensor)
   

不管当前设备是CPU还是CUDA，你都强制要求张量变成CUDA类型，这在CPU版PyTorch环境下必然出问题——因为系统里根本没有CUDA相关的库可以加载！

修复步骤 #

你只需要把这些强制转CUDA的代码，改成适配你已经定义好的device变量的写法，这样代码既能在CPU上正常跑，以后切换到CUDA环境也不用改：

1. 修复net_sample_output函数 #

替换原来的强制转CUDA代码：

# 先转成float类型，再移到指定设备
images = images.float().to(device)

2. 修复train_net函数 #

替换两处强制转CUDA的代码：

key_pts = key_pts.float().to(device)
images = images.float().to(device)

3. 额外确认 #

你已经做了net = Net().to(device)，这部分是正确的，保证了模型运行在指定设备上。现在修复张量转换后，模型和所有输入张量都会处于同一个设备（CPU），不会再尝试触发CUDA相关操作。

验证效果 #

修改完成后重新运行代码，torch.cuda.is_available()会返回False（因为你安装的是CPU版PyTorch），设备会自动设为cpu，所有计算都在CPU上执行，那个CUDA初始化的错误应该就彻底消失了。

而且这个写法还有额外优势：以后如果想切换到CUDA环境，只需要安装对应版本的PyTorch，代码完全不用改动——device会自动识别到CUDA，所有张量和模型都会自动迁移到GPU上运行，兼容性拉满。

内容的提问来源于stack exchange，提问作者Hamza Ahmed