Python、PyTorch、CUDA 与显卡版本对应关系速查表

深度学习环境配置常因版本不兼容导致问题。本文整理 PyTorch、CUDA 与显卡架构的版本对应关系，涵盖从 RTX 50 系列到经典老卡的软硬件兼容性信息。

🗺️ 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。

📊 一、PyTorch 版本对照表 (推荐)

PyTorch 是目前兼容性最好的框架，只要 CUDA 驱动版本足够高，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 - 3.13	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 / 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

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。

📝 四、不同配置的'黄金搭配'

以下是推荐的配置组合，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。