本文记录在 RTX 50 系列（Blackwell架构） 设备上，从零配置深度学习环境的完整过程，并总结关键问题与解决方案，供同类环境参考。

---

一、硬件与目标环境

硬件信息：

nvidia-smi

输出：

GPU: NVIDIA GeForce RTX 5060 Laptop GPU
Driver Version: 577.03
CUDA Version: 12.9

设备计算能力：

import torch
torch.cuda.get_device_capability()

结果：

(12, 0)

说明：

• 架构：Blackwell

• Compute Capability：sm_120

---

二、环境方案选择

可选方案对比：

方案	特点
Windows原生	依赖复杂，兼容性一般
双系统	成本高，切换不便
虚拟机	无GPU直通
WSL2	GPU直通，接近Linux性能

最终选择：

WSL2 + Ubuntu + Conda

安装：

wsl --install

若网络问题导致失败，可手动下载安装发行版。

---

三、关键问题：no kernel image 报错

初始安装：

pip install torch torchvision torchaudio

测试：

import torch
x = torch.tensor([1.0]).cuda()

报错：

RuntimeError: CUDA error: no kernel image is available for execution on the device

同时提示：

sm_120 is not compatible with the current PyTorch installation

原因

RTX 50 系列属于 Blackwell架构（sm_120）

而旧版 PyTorch：

• 仅编译到 sm_90（Ada）

• 不包含 Blackwell kernel

结论

必须使用：

PyTorch 2.8 + cu128

---

四、正确环境配置流程

1. 创建独立环境

conda create -n d2l python=3.9
conda activate d2l

确认环境：

which python

应包含：

.../envs/d2l/bin/python

---

2. 安装支持Blackwell的PyTorch

pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 \
--index-url https://download.pytorch.org/whl/cu128

版本必须对应：

包	版本
torch	2.8.0
torchvision	0.23.0
torchaudio	2.8.0

---

3. GPU测试

import torch

print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

x = torch.tensor([1.0, 2.0]).cuda()
y = x * 2 + 3
print(y)

输出示例：

2.8.0+cu128
True
RTX 5060 Laptop GPU
tensor([5., 7.], device='cuda:0')

---

五、JupyterLab环境配置

1. 安装

pip install jupyterlab ipykernel

2. 注册环境内核

python -m ipykernel install --user --name d2l --display-name "Python (d2l)"

3. 启动

建议在Linux目录下运行：

cd ~
mkdir jupyter_workspace
cd jupyter_workspace
jupyter lab

避免在：

/mnt/c/windows/system32

否则可能出现权限问题。

---

4. 选择正确内核

Notebook右上角选择：

Python (d2l)

否则可能出现：

ModuleNotFoundError: No module named 'torch'

---

六、最终验证：模型部署GPU

import torch
import torch.nn as nn

model = nn.Linear(10, 1).cuda()

print(next(model.parameters()).is_cuda)

输出：

True

同时可监控GPU：

watch -n 1 nvidia-smi

---

七、环境最终状态

项目	配置
系统	WSL2 + Ubuntu
Python	Conda环境 d2l
PyTorch	2.8.0+cu128
CUDA驱动	12.9
GPU	RTX 5060
IDE	JupyterLab
工作目录	~/jupyter_workspace

---

八、常见问题总结

1. no kernel image

原因：PyTorch版本不支持sm_120
解决：安装2.8.0+cu128

---

2. Jupyter找不到torch

原因：内核错误
解决：选择Python(d2l)

---

3. 环境混用

检查：

which python
conda info --envs

---

4. 权限问题

避免在：

/mnt/c/

目录运行Jupyter。

---

九、RTX 50系列配置建议

如果使用Blackwell架构GPU：

直接安装：

pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 \
--index-url https://download.pytorch.org/whl/cu128

避免在旧版本上调试。

---

十、一键脚本

#!/bin/bash

conda create -n d2l python=3.9 -y
conda activate d2l

pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 \
--index-url https://download.pytorch.org/whl/cu128

pip install jupyterlab ipykernel

python -m ipykernel install --user --name d2l --display-name "Python (d2l)"

mkdir -p ~/jupyter_workspace

运行：

bash setup_d2l.sh