Anaconda环境下PyTorch无法调用GPU的排查与解决方案

1次阅读

没有评论

共计 1956 个字符，预计需要花费 5 分钟才能阅读完成。

许多深度学习开发者选择在 Anaconda 环境中使用 PyTorch 进行模型训练，但经常会遇到 PyTorch 无法调用 GPU 的问题。这个问题的主要表现包括：

使用 torch.cuda.is_available() 检查时返回 False
训练过程中没有观察到 GPU 使用率上升
程序运行时提示 CUDA 不可用或找不到 CUDA 设备

这些问题会导致训练过程被迫在 CPU 上运行，显著降低模型训练效率，特别是对于大型深度学习模型，训练时间可能延长数倍甚至数十倍。

PyTorch 无法调用 GPU 通常由以下几个方面的原因导致：

CUDA 驱动问题
未安装 NVIDIA 显卡驱动
驱动版本与 PyTorch 要求的 CUDA 版本不匹配
驱动安装不正确或损坏
CUDA Toolkit 问题
未安装 CUDA Toolkit
安装的 CUDA Toolkit 版本与 PyTorch 版本不兼容
PyTorch 安装问题
安装了 CPU 版本的 PyTorch
PyTorch 版本与 CUDA 版本不匹配
通过 pip 安装时未指定正确的 CUDA 版本
环境配置问题
使用了错误的 conda 环境
环境变量设置不正确
多版本 CUDA 共存导致冲突

首先确认你的系统已正确安装 NVIDIA 显卡驱动：

打开终端，输入以下命令检查驱动版本：
```
nvidia-smi
```
如果能正确显示 GPU 信息，说明驱动已安装。记下右上角显示的 CUDA 版本（如 11.4）。
如果命令未找到，需要先安装 NVIDIA 驱动。可以从 NVIDIA 官网下载对应显卡的最新驱动，或使用系统自带的驱动管理器安装。

PyTorch 需要与特定版本的 CUDA Toolkit 配合工作。建议通过 conda 安装：

conda install cudatoolkit=11.3 -c conda-forge

注意这里的 11.3 需要与你的 PyTorch 版本要求的 CUDA 版本一致。可以通过 PyTorch 官网查看版本对应关系。

强烈建议通过 PyTorch 官网提供的安装命令来安装，确保版本匹配。例如：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

检查以下环境变量是否设置正确：

echo $PATH
echo $LD_LIBRARY_PATH

确保包含 CUDA 相关的路径，如 /usr/local/cuda/bin 和/usr/local/cuda/lib64。

安装完成后，可以用以下 Python 代码验证 PyTorch 是否能正确识别 GPU：

import torch

# 检查 CUDA 是否可用
print(f"CUDA available: {torch.cuda.is_available()}")

# 如果可用，打印 GPU 信息
if torch.cuda.is_available():
    print(f"CUDA device count: {torch.cuda.device_count()}")
    print(f"Current CUDA device: {torch.cuda.current_device()}")
    print(f"CUDA device name: {torch.cuda.get_device_name(0)}")

    # 创建一个张量并移动到 GPU
    x = torch.rand(5, 3)
    x = x.cuda()  # 或者 x = x.to('cuda')
    print(x)