Anaconda环境下PyTorch无法调用GPU的深度排查与解决方案

1次阅读

共计 1602 个字符，预计需要花费 5 分钟才能阅读完成。

在深度学习项目中，GPU 加速能显著提升 PyTorch 模型的训练速度。但许多开发者在 Anaconda 环境中常遇到 torch.cuda.is_available() 返回 False 的问题，导致无法利用 GPU 资源。典型的错误现象包括：

运行时警告CUDA not available
模型训练时未观察到 GPU 显存占用
直接报错AssertionError: Torch not compiled with CUDA enabled

首先需要确认系统 CUDA 驱动版本与 PyTorch 要求的 CUDA 运行时版本是否兼容：

# 查看驱动支持的最高 CUDA 版本
nvidia-smi
# 查看当前安装的 CUDA Toolkit 版本
nvcc --version

注意：nvidia-smi 显示的 CUDA 版本是驱动支持的最高版本，而 nvcc 显示的是实际安装的 CUDA Toolkit 版本。两者可能不同。

Anaconda 环境可能因 LD_LIBRARY_PATH 冲突导致无法识别系统 CUDA：

# 检查环境变量
echo $LD_LIBRARY_PATH
# 临时解决方案（Linux/Mac）export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

参考 PyTorch 官方版本矩阵选择对应版本：

PyTorch 版本	CUDA 支持版本
1.12.x	11.3, 10.2
1.11.x	11.3, 10.2
1.10.x	11.1, 10.2

# 示例：安装 CUDA 11.3 对应的 PyTorch
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

import os
# 确保系统 CUDA 库路径在搜索路径中
os.environ['LD_LIBRARY_PATH'] = '/usr/local/cuda/lib64:' + os.environ.get('LD_LIBRARY_PATH', '')

import torch
print(f"PyTorch 版本: {torch.__version__}")
print(f"CUDA 可用: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"当前设备: {torch.cuda.get_device_name(0)}")

预期输出：

PyTorch 版本: 1.12.1
CUDA 可用: True
当前设备: NVIDIA GeForce RTX 3090

避免混用 pip 和 conda：这可能导致库冲突
平台差异：
Windows 需额外安装 NVIDIA 驱动
Mac 仅支持 MPS 加速（M1 芯片）
多 GPU 环境 ：需设置CUDA_VISIBLE_DEVICES 环境变量

在 MNIST 数据集上对比 CPU/GPU 训练速度：

import time

# CPU 训练
start = time.time()
# ... 训练代码 ...
print(f"CPU 耗时: {time.time()-start:.2f}s")

# GPU 训练
start = time.time()
# ... 相同训练代码（需添加.to('cuda')）...
print(f"GPU 耗时: {time.time()-start:.2f}s")

典型结果：
– CPU：约 120 秒 /epoch
– GPU：约 15 秒 /epoch（RTX 3090）

通过以上步骤，开发者可以系统地解决 Anaconda 环境下 PyTorch 无法调用 GPU 的问题。关键点在于版本匹配和环境隔离，实际操作中建议优先使用 conda 管理依赖。

正文完