# PyTorch GPU Kurulumu: Sürücü, CUDA 13 ve GPU Kontrolü Adım Adım - Adres: https://gpukiralama.com.tr/blog/pytorch-gpu-kurulum-rehberi/ - Kategori: Teknik - Yayın: 2026-10-23 · Son güncelleme: 2026-10-28 PyTorch GPU kurulumu üç adımdır: NVIDIA sürücüsünü 580 veya üzerine getirin, sanal ortamda pip install torch torchvision çalıştırın ve torch.cuda.is_available() çağrısının True döndüğünü kontrol edin. CUDA Toolkit'i ayrıca kurmanız gerekmez; PyTorch kendi CUDA kütüphanelerini getirir. Windows, Mac, Docker ve sık hataların çözümleri de rehberde. ## Kısa cevap 1. NVIDIA sürücüsünün kurulu ve güncel olduğunu `nvidia-smi` ile kontrol edin. PyTorch'un varsayılan CUDA 13 paketleri için sürücü sürümü **580 veya üzeri** olmalı. 2. Bir sanal ortamda `pip install torch torchvision` çalıştırın. 3. `torch.cuda.is_available()` ile GPU'nun göründüğünü doğrulayın. CUDA Toolkit'i ayrıca kurmanız gerekmez; PyTorch ihtiyaç duyduğu CUDA kütüphanelerini kendi paketleriyle getirir. Bu rehber Ubuntu 24.04 ve 30 Eylül 2026'da yayımlanan PyTorch 2.14.1 sürümüne göre hazırlandı. Windows ya da Mac kullanıyorsanız aşağıdaki "Windows ve Mac'te PyTorch GPU kurulumu" bölümüne bakın. ## 1. Sürücüyü kontrol edin Kiralık bir GPU sunucusunda sürücü çoğunlukla hazır gelir. Önce bakın: ```bash nvidia-smi ``` Çıktıda GPU'nuzun adını, belleğini ve sağ üstte "CUDA Version" satırını görmelisiniz. Bu satır sürücünün desteklediği en yüksek CUDA sürümünü gösterir, sistemde kurulu bir CUDA Toolkit'i değil; PyTorch'un içinde gelen CUDA sürümü bundan yüksek olamaz. CUDA 13 paketleri için burada en az 13.0 görmelisiniz. `nvidia-smi` komutu bulunamıyorsa ya da hata veriyorsa sürücü kurulu değildir. Ubuntu'da en kolay yol: ```bash sudo ubuntu-drivers list --gpgpu sudo ubuntu-drivers install --gpgpu sudo reboot ``` Blackwell nesli kartlar (ör. [RTX 5090](/gpu-modelleri/nvidia-rtx-5090/) ve [RTX PRO 6000](/gpu-modelleri/nvidia-rtx-pro-6000/)) yalnızca açık kaynaklı çekirdek modülleriyle çalışır. Paketi elle seçiyorsanız sonu `-open` ile biten bir sürücü paketi seçin. ## 2. PyTorch'u kurun Sistem Python'unu kirletmemek için bir sanal ortam kullanın: ```bash sudo apt install -y python3-venv python3 -m venv ~/ml && source ~/ml/bin/activate pip install --upgrade pip pip install torch torchvision ``` PyTorch 2.11'den bu yana `pip install torch` komutu Linux'ta CUDA 13.0 ile derlenmiş paketi kurar. Bu paket Turing (RTX 20 serisi) ve sonrası tüm mimarileri destekler; Ada, Hopper ve Blackwell kartlar dahil. Sürücünüzü güncelleyemiyorsanız ve sürücü 580'den eskiyse CUDA 12.6 paketini kurabilirsiniz: ```bash pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126 ``` Dikkat: CUDA 12.6 paketleri Blackwell mimarisini desteklemez. RTX PRO 6000 gibi bir kartta sürücüyü güncelleyip varsayılan paketi kullanmanız gerekir. Conda kullanıyorsanız: PyTorch 2.6'dan bu yana kendi conda kanalında paket yayımlamıyor. Conda ortamı içinde de PyTorch'u `pip` ile kurun. Ses projeniz için `torchaudio` gerekiyorsa ayrıca kurun; paketin son sürümü 2.11.0 (Mart 2026) olduğundan kurulu PyTorch sürümüyle uyumunu kontrol edin. ### Hangi CUDA paketini seçmeli? PyTorch 2.14.1 için üç CUDA paketi yayımlanıyor: | Paket | Kurulum | Linux'ta en düşük sürücü | Desteklenen kartlar | |---|---|---|---| | CUDA 13.0 (varsayılan) | `pip install torch torchvision` | 580 | Turing (RTX 20 serisi) ve sonrası, Blackwell dahil | | CUDA 13.2 | `pip install torch torchvision --index-url https://download.pytorch.org/whl/cu132` | 580 | Turing ve sonrası, Blackwell dahil | | CUDA 12.6 | `pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126` | 525 | Maxwell'den Hopper'a kadar; Blackwell yok | PyTorch ekibinin duyurusuna göre 2.14, CUDA 12 paketi yayımlanan son sürüm olacak: 2.15 ile CUDA 12.6 paketleri ve Python 3.10 desteği kalkıyor. Eski sürücüyle cu126 paketini kurarsanız 2.14'te kalırsınız. ## 3. PyTorch GPU'yu görüyor mu? Kontrol edin Tek satırlık kontrol: `python -c "import torch; print(torch.cuda.is_available())"` komutu `True` yazıyorsa PyTorch GPU'yu görüyor demektir. Sürüm, CUDA ve bellek bilgisini birlikte görmek için: ```python import torch print("PyTorch:", torch.__version__) print("CUDA derlemesi:", torch.version.cuda) print("GPU görünüyor mu:", torch.cuda.is_available()) print("GPU:", torch.cuda.get_device_name(0)) print("Bellek (GB):", round(torch.cuda.get_device_properties(0).total_memory / 1e9, 1)) ``` `torch.version.cuda` satırı `None` yazıyorsa yanlışlıkla yalnızca işlemci (CPU) için olan paketi kurmuşsunuzdur. Kartın beklenen hızda çalıştığını görmek için kısa bir matris çarpımı testi: ```python import time import torch n = 8192 a = torch.randn(n, n, device="cuda", dtype=torch.bfloat16) b = torch.randn(n, n, device="cuda", dtype=torch.bfloat16) for _ in range(3): # ısınma a @ b torch.cuda.synchronize() steps = 20 start = time.perf_counter() for _ in range(steps): a @ b torch.cuda.synchronize() elapsed = time.perf_counter() - start print(f"{2 * n**3 * steps / elapsed / 1e12:.0f} TFLOPS (BF16)") ``` Sonuç, kartın kağıt üzerindeki değerinin altında çıkacaktır; bu normaldir. Aynı testi farklı günlerde çalıştırıp sonuçların tutarlı olduğuna bakmak, soğutma veya güç sorunlarını erken yakalamanın kolay bir yoludur. Gerçek iş yüklerinde hızı artırmanın yollarını [CUDA ve PyTorch optimizasyon rehberimizde](/blog/cuda-optimizasyonu-rehberi/) anlattık. ## 4. Docker ile çalışmak Birden fazla proje ya da ekip arkadaşı aynı sunucuyu kullanıyorsa her projeyi kendi konteynerinde çalıştırmak bağımlılık çakışmalarını önler. Bunun için NVIDIA Container Toolkit gerekir: ```bash curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \ sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \ sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker ``` Test edin: ```bash docker run --rm --gpus all ubuntu nvidia-smi ``` PyTorch konteynerlerinde veri yükleyici işçilerinin paylaşımlı belleğe ihtiyacı olur; konteyneri `--ipc=host` (ya da yeterince büyük bir `--shm-size`) ile başlatın. Hazır bir imaj istiyorsanız NVIDIA'nın NGC kataloğundaki aylık güncellenen `nvcr.io/nvidia/pytorch` imajları iyi bir başlangıçtır. Kurulumun ayrıntıları için [NVIDIA Container Toolkit kurulum rehberimize](/blog/docker-nvidia-container-toolkit-kurulum/), günlük kullanım için [Docker ile GPU kullanımı yazımıza](/blog/docker-gpu-kullanim-rehberi/) bakın. ## 5. Jupyter'i güvenle açın Jupyter'i doğrudan internete açmayın: sunucuda `jupyter lab --no-browser --ip 127.0.0.1 --port 8888` ile yalnızca yerel adresi dinletin, kendi bilgisayarınızdan `ssh -L 8888:127.0.0.1:8888 kullanici@sunucu-ip` ile tünel açıp tarayıcıda `http://localhost:8888` adresine gidin. Token, uzun eğitimler için `tmux` ve çekirdek ayarları için [Jupyter'i uzak GPU sunucusunda güvenle kullanma rehberimize](/blog/jupyter-bulut-gpu-rehberi/) bakın. ## Sık karşılaşılan hatalar **`torch.cuda.is_available()` False dönüyor.** Önce `nvidia-smi`'nin çalıştığından emin olun. Çalışıyorsa `torch.version.cuda` değerine bakın; `None` ise CPU paketini kaldırıp yeniden kurun: `pip uninstall torch` ve ardından yukarıdaki kurulum komutu. Windows'ta en sık neden budur: düz `pip install torch` orada yalnızca CPU paketini kurar. **"The NVIDIA driver on your system is too old".** Kurduğunuz PyTorch paketi, sürücünüzün desteklediğinden daha yeni bir CUDA ile derlenmiş. Sürücüyü 580 veya üzerine güncelleyin ya da (Blackwell dışındaki kartlarda) CUDA 12.6 paketini kurun. **"no kernel image is available for execution on the device".** PyTorch paketi kartınızın mimarisi için derlenmemiş. Blackwell kartlarda eski (CUDA 12.6 ve öncesi) paketler kullanıldığında görülür. Varsayılan CUDA 13 paketine geçin. **"CUDA out of memory".** Batch boyutunu küçültün, BF16 kullanın, gradient checkpointing'i açın. Bellek parçalanmasından şüpheleniyorsanız `PYTORCH_ALLOC_CONF=expandable_segments:True` ortam değişkenini deneyin (eski adı `PYTORCH_CUDA_ALLOC_CONF` da çalışır). Bir LLM'in hangi kartın belleğine sığacağını [VRAM hesaplayıcımızla](/araclar/vram-hesaplayici/) önceden görebilirsiniz. Modeliniz karta hiç sığmıyorsa [daha fazla belleği olan bir GPU](/gpu-modelleri/) gerekir; bellek hesabı için [LLM fine-tuning maliyeti yazımıza](/blog/llm-fine-tuning-maliyeti/) bakın. **Docker'da "could not select device driver".** NVIDIA Container Toolkit kurulu değil ya da Docker yeniden başlatılmamış. Yukarıdaki adımları tekrarlayın. ## Birden fazla GPU Sunucunuzda birden fazla GPU varsa `nvidia-smi` hepsini listeler. Bir işi belirli bir karta sabitlemek için `CUDA_VISIBLE_DEVICES=0 python train.py`, tüm kartlarla [dağıtık eğitim](/blog/multi-gpu-egitim-rehberi/) için `torchrun --standalone --nproc_per_node=2 train.py` kullanabilirsiniz. ## Windows ve Mac'te PyTorch GPU kurulumu Bu rehberdeki komutlar Linux sunucular içindir. Kendi bilgisayarınızda durum şöyle: | Sistem | GPU hızlandırma | Kurulum | |---|---|---| | Windows, NVIDIA kart | CUDA | `pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130`. Düz `pip install torch` Windows'ta yalnızca CPU paketini kurar. | | Windows + WSL2 | CUDA | WSL2'deki Ubuntu'da bu rehberin Linux komutları çalışır. NVIDIA sürücüsünü yalnızca Windows'a kurun, WSL2'nin içine Linux sürücüsü kurmayın. | | Mac, Apple işlemci (M serisi) | Metal (MPS), CUDA yok | `pip install torch torchvision`, ardından `torch.backends.mps.is_available()` ile kontrol edip `device="mps"` kullanın. PyTorch 2.14 paketleri macOS 14 ve üzerini ister. | | Mac, Intel işlemci | Yok | Güncel PyTorch paketleri yayımlanmıyor. | CUDA'ya özel kod ve kütüphaneler Mac'te çalışmaz. ## Hangi GPU? Kurulum adımları tüm modellerimizde aynıdır: [RTX PRO 4000](/gpu-modelleri/nvidia-rtx-pro-4000/) (24 GB, aylık $450), [RTX 5090](/gpu-modelleri/nvidia-rtx-5090/) (32 GB, aylık $600), [RTX PRO 5000](/gpu-modelleri/nvidia-rtx-pro-5000/) (48 GB, aylık $800), [L40S](/gpu-modelleri/nvidia-l40s/) (48 GB, aylık $900), [RTX PRO 6000 Blackwell](/gpu-modelleri/nvidia-rtx-pro-6000/) (96 GB, aylık $1.600), [H100](/gpu-modelleri/nvidia-h100/) ve [H200](/gpu-modelleri/nvidia-h200/). Hangisinin işinize uygun olduğunu belirlemek için [GPU kiralama rehberimize](/blog/gpu-kiralama-rehberi-2026/), Colab'dan geçiyorsanız [Colab karşılaştırmamıza](/blog/google-colab-vs-gpu-kiralama/) bakın. İş yüküne göre önerdiğimiz kartları [model eğitimi](/hizmetler/ai-egitimi/), [LLM inference](/hizmetler/inference/) ve [veri bilimi](/hizmetler/veri-bilimi/) sayfalarımızda bulabilirsiniz. ## Özet - PyTorch 2.11'den beri `pip install torch`, Linux'ta CUDA 13.0 ile derlenmiş paketi kurar; bunun için sürücü sürümü 580 veya üzeri olmalıdır. - CUDA Toolkit'i ayrıca kurmanız gerekmez; yalnızca kendi CUDA eklentilerinizi derleyecekseniz gerekir. - Blackwell kartlar (ör. RTX PRO 6000) için CUDA 12.8 ve sonrasıyla derlenmiş paketler gerekir; CUDA 12.6 paketleri bu mimariyi desteklemez. - Docker'da GPU kullanmak için NVIDIA Container Toolkit kurun ve PyTorch konteynerlerini `--ipc=host` ile başlatın. - Jupyter'i internete açmayın; sunucuda yalnızca yerel adresi dinletip SSH tüneliyle bağlanın. ## Kaynaklar - [PyTorch: Start Locally](https://pytorch.org/get-started/locally/) - [PyTorch 2.11.0 General Availability duyurusu](https://dev-discuss.pytorch.org/t/pytorch-2-11-0-general-availability/3328) - [PyPI: torch](https://pypi.org/project/torch/) - [NVIDIA Container Toolkit kurulum kılavuzu](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html) - [NVIDIA CUDA Toolkit sürüm notları](https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html) - [Ubuntu: NVIDIA sürücülerinin kurulumu](https://documentation.ubuntu.com/server/how-to/graphics/install-nvidia-drivers/) - [PyPI: torch 2.14.1 (30 Eylül 2026)](https://pypi.org/project/torch/2.14.1/) - [PyTorch 2.14 paket dizini: CUDA 13.0](https://download.pytorch.org/whl/cu130/torch/) - [PyTorch 2.15'te CUDA 12.6 paketlerinin kaldırılması](https://dev-discuss.pytorch.org/t/notice-cuda-12-6-wheels-will-no-longer-be-published-from-pytorch-2-15-drops-maxwell-pascal-volta/3432) - [PyTorch 2.15'te Python 3.10 desteğinin kaldırılması](https://dev-discuss.pytorch.org/t/notice-python-3-10-support-is-being-removed-from-pytorch-2-15-2-14-is-the-last-release-with-3-10-wheels/3440) - [PyPI: torchaudio](https://pypi.org/project/torchaudio/) - [PyTorch: CUDA semantics (bellek ayarları)](https://docs.pytorch.org/docs/2.14/notes/cuda.html) - [NVIDIA: CUDA on WSL kullanıcı kılavuzu](https://docs.nvidia.com/cuda/wsl-user-guide/index.html) - [Apple: Accelerated PyTorch training on Mac](https://developer.apple.com/metal/pytorch/) ## Sık sorulan sorular **CUDA Toolkit'i ayrıca kurmam gerekir mi?** Hayır. PyTorch paketleri ihtiyaç duydukları CUDA kütüphanelerini kendileri getirir; yalnızca güncel bir NVIDIA sürücüsü gerekir. Kendi CUDA eklentilerinizi derleyecekseniz CUDA Toolkit kurmanız gerekir. **torch.cuda.is_available() neden False dönüyor?** Genellikle iki nedeni vardır: sürücü kurulu değildir (nvidia-smi çalışmaz) ya da yalnızca CPU için olan PyTorch paketi kurulmuştur (torch.version.cuda None yazar). İkincisinde paketi kaldırıp yeniden kurun; Windows'ta düz pip install torch CPU paketini kurduğu için --index-url https://download.pytorch.org/whl/cu130 ile kurmanız gerekir. **Hangi NVIDIA sürücü sürümü gerekiyor?** PyTorch'un varsayılan CUDA 13 paketleri için 580 veya daha yeni bir sürücü gerekir. Daha eski sürücülerde CUDA 12.6 paketleri kullanılabilir, ancak bu paketler Blackwell kartları desteklemez ve PyTorch ekibinin duyurusuna göre CUDA 12 paketi yayımlanan son sürüm 2.14'tür. **Conda mı, pip mi, Docker mı?** PyTorch 2.6'dan bu yana kendi conda kanalında paket yayımlamadığı için pip önerilen yoldur. Birden fazla proje aynı sunucuyu paylaşıyorsa Docker bağımlılık çakışmalarını önler. **Hangi Python sürümünü kullanmalıyım?** PyTorch 2.14, Python 3.10 ile 3.14 arası için paket yayımlar; duyurulan plana göre 2.15 ile Python 3.10 desteği kalkıyor. Ubuntu 24.04 ile gelen Python 3.12 güvenli bir varsayılandır. **RTX PRO 6000'de "no kernel image is available" hatası alıyorum, ne yapmalıyım?** Kurulu PyTorch paketi Blackwell mimarisini desteklemiyor demektir. Sürücüyü 580 veya üzerine güncelleyip varsayılan CUDA 13 paketini kurun. **PyTorch Windows'ta GPU ile çalışır mı?** Evet, NVIDIA kartlı Windows bilgisayarlarda çalışır, ama düz pip install torch Windows'ta yalnızca CPU paketini kurar. GPU için pip install torch torchvision --index-url https://download.pytorch.org/whl/cu130 kullanın; WSL2'de ise bu rehberdeki Linux komutları geçerlidir ve sürücü yalnızca Windows'a kurulur. **Mac'te PyTorch GPU kullanabilir mi?** Apple işlemcili (M serisi) Mac'lerde CUDA yoktur; PyTorch GPU'yu Metal üzerinden "mps" aygıtıyla kullanır ve torch.backends.mps.is_available() ile kontrol edilir. PyTorch 2.14 paketleri macOS 14 ve üzerini ister, Intel işlemcili Mac'ler için güncel paket yayımlanmıyor. **PyTorch'un hangi CUDA sürümünü kullandığını nasıl öğrenirim?** torch.version.cuda, kurulu PyTorch paketinin hangi CUDA ile derlendiğini gösterir (ör. 13.0). nvidia-smi'deki "CUDA Version" sürücünün desteklediği en yüksek sürümdür; nvcc --version ise ayrıca kurulmuş CUDA Toolkit'i gösterir ve PyTorch onu kullanmaz.