CUDA 是干什么用的，装深度学习前先弄明白

装 PyTorch 时看到一行 no CUDA-capable device is detected，显卡明明插着，程序就是不认。要弄清这句报错，得先知道 CUDA 在中间干了什么。

CUDA 是 NVIDIA 的一套并行计算平台和编程接口。显卡有几千个小核心，适合同时算很多简单运算，CUDA 把这些核心包装成能调用的函数，让 C、C++、Python 写的程序把活派给显卡。搜 cuda是用来干嘛的，多数答案只丢一句显卡加速。真到装环境的时候，这句话等于没说，报错照样看不懂。

日常里哪些东西在用它

• 深度学习：PyTorch、TensorFlow 的 GPU 版本，底层都走 CUDA 和 cuDNN。
• 视频剪辑与转码：NVENC 硬件编码，导出速度比纯 CPU 快不少。
• 科学计算与仿真：矩阵运算、分子动力学这类重复计算量大的场景。
• 3D 渲染：部分渲染器的 GPU 模式依赖 CUDA 加速。

它只支持 NVIDIA 的卡。AMD 显卡走 ROCm，苹果芯片走 Metal，代码不通用。同一份环境在别人机器上能跑，在你这报错，先看显卡品牌。

驱动版本和工具包版本不是一回事

nvidia-smi 右上角显示的 CUDA Version 是驱动支持的上限，不是装好的工具包版本；nvcc --version 才是实际编译器的版本。两个数经常差一截，看到 12.x 和 11.x 并存不算故障。

装框架一般不用自己装整套工具包，conda 或 pip 的 GPU 版本会把匹配的运行库一起带上。版本对不上，最常见的报错是 CUDA driver version is insufficient for CUDA runtime version。

怎么确认卡真的被用上了

Python 里跑一行 torch.cuda.is_available()，返回 True 才算通。再开 nvidia-smi，看显存占用有没有涨。训练时显存一直是 0，说明代码还在 CPU 上，检查 device 参数是不是写成了 cpu。

显存不足报 CUDA out of memory，先减 batch size，或者开混合精度。实在跑不动，租云显卡比换卡划算，按小时计费，试错成本低得多。回到最初的问题，cuda是用来干嘛的：把能并行的计算丢给显卡跑，仅此而已。用不用得上，看你手上的软件有没有为 N 卡写过加速路径。