遇到程序找不到 GPU、提示版本不兼容，先别急着重装。CUDA运行环境部署常见故障排查的关键，是分清显卡驱动、CUDA Toolkit、运行库和程序各自负责什么，再按顺序核对。下面五处检查适用于常见的 Windows 与 Linux 环境。
先分清三种“CUDA版本”
NVIDIA 驱动负责让操作系统和 GPU 通信；CUDA Toolkit 包含编译工具 nvcc、头文件等开发组件；运行库则供应用程序调用。它们不一定来自同一安装包：部分深度学习框架安装包会自带所需运行库，却不包含 nvcc。
因此，nvidia-smi 显示的 “CUDA Version” 代表当前驱动可支持的 CUDA 版本范围，不等于机器已经安装了对应版本的 Toolkit。nvcc --version 才用于查看编译器版本；两者结果不同并不自动表示故障。
按五处逐项检查
1. 显卡与驱动是否正常
在终端或命令提示符运行 nvidia-smi。若能列出 NVIDIA GPU、驱动版本和设备状态，说明驱动至少能识别设备；若命令不存在或无法连接驱动，先确认机器确实有 NVIDIA 显卡，再检查驱动是否安装、是否需要重启，以及驱动是否适配当前系统。不要先用重装 Toolkit 来修复驱动问题。
2. Toolkit 是否安装到预期位置
运行 nvcc --version。若提示命令未找到，可能是只装了框架运行库，也可能是 Toolkit 的 bin 目录未加入 PATH。Linux 常见安装目录包括 /usr/local/cuda/bin；Windows 则需检查对应 CUDA 安装目录下的 bin。先确认文件是否存在，再决定是否调整路径。
3. 驱动与运行库能否兼容
如果报错含 “driver version is insufficient for CUDA runtime version”，通常是应用需要的运行库高于当前驱动可支持范围。对照 NVIDIA 官方兼容说明，优先选择与现有驱动匹配的框架或 Toolkit；也可在确认系统和显卡支持后更新驱动。不要仅凭 nvidia-smi 的版本文字，判断本机 Toolkit 已安装或版本一致。
4. 环境变量有没有指向旧版本
多个 CUDA 版本并存时，PATH 可能先找到旧版 nvcc；Linux 的 LD_LIBRARY_PATH 也可能让程序加载到另一目录里的动态库。检查变量中是否存在重复或过期路径，临时移除可疑项后重新打开终端测试。Windows 修改 PATH 后也应新开命令窗口，避免旧进程仍使用旧配置。
5. 框架是否识别设备
检查 CUDA_VISIBLE_DEVICES 是否屏蔽了 GPU；该变量设为空时，程序可能看不到设备。使用 PyTorch 时，可运行 python -c "import torch; print(torch.cuda.is_available(), torch.version.cuda)" 查看框架是否识别 CUDA，以及其构建版本。若 nvidia-smi 正常而结果为 False，重点核对框架安装包、运行库和当前 Python 环境，而不是反复改驱动。
按报错顺序缩小范围
- 先运行 nvidia-smi，确认显卡和驱动可用。
- 再运行 nvcc --version，判断 Toolkit 是否安装及命令是否可达。
- 记录框架版本与其 CUDA 构建信息，并确认程序使用的是预期 Python 环境。
- 检查 PATH、LD_LIBRARY_PATH 和 CUDA_VISIBLE_DEVICES，移除冲突项后重开终端复测。
- 一次只改一个因素；每次修改后重跑原命令，避免无法判断哪项改动有效。
若错误提示 “libcudart.so not found”，Linux 上通常应检查运行库搜索路径或框架依赖是否完整；若提示 nvcc 未识别，优先查 Toolkit 与 PATH。按错误类型定位，比笼统重装更稳妥。这套 CUDA运行环境部署常见故障排查顺序，也能帮助区分驱动、版本与路径问题。
常见问题
只有 nvidia-smi 正常，能运行 CUDA 程序吗？
不一定。驱动正常只说明 GPU 可被驱动识别，应用仍需可用的运行库和兼容的软件包。
没有 nvcc，是不是 CUDA 没装好？
不一定。若只使用自带 CUDA 运行库的框架，可能没有安装 Toolkit；需要编译 CUDA 代码时才通常需要 nvcc。
更新驱动后还要重装框架吗？
不一定。先复测原程序；只有在运行库或框架构建版本不兼容时，才需要调整对应组件。
