cuda pytorch python版本

【FAQ】P3.为什么torch.cuda.is_available（）是False为什么 torch.cuda.is_available() 是 Falsetorch.cuda.is_available()，这个指令的作⽤是看，你电脑的 GPU 能否被 PyTorch 调⽤。

如果返回的结果是 False，可以按照以下过程进⾏排查。

1、确认你的 GPU，是否⽀持 CUDA（是否⽀持被 PyTorch 调⽤）⾸先，确定你的显卡型号，是否是 NVIDIA 显卡。

可以从任务管理器或者设备管理器来查看显卡的型号。

之后，去看，如果其中有你的显卡型号，则说明你的显卡是⽀持被 PyTorch 调⽤的。

（绝⼤多数的 NVIDIA 显卡都是⽀持的）如果没有 NVIDIA 显卡的话，也没有关系。

CPU 就已经⾜够了，⽽且你会在后⾯的教程看到，对于⼩型⽹络，CPU 速度更快（窃喜）2、打开命令⾏，输⼊nvidia-smi，查看⾃⼰的Driver Version我们教程中安装的 PyTorch 1.3 + CUDA 9.2 版本，要求电脑的显卡驱动⼤于396.26。

像我截图中的驱动版本为430.86，⼤于396.26。

如果你的驱动版本⼩于396.26，请⽤各种驱动管理软件或者软件管家，去升级你的显卡驱动。

当然，更推荐去官⽹，下载对应的最新驱动。

3、下载最新驱动。

在选择相应的显卡型号，操作系统，其他默认。

其中的 Notebooks 是指笔记本。

之后，点击搜索，下载最新驱动后，进⾏安装即可。

4、检查驱动版本。

安装完最新的驱动后，可以再次在命令⾏窗⼝输⼊nvidia-smi，查看最新的版本是否安装成功。

5、打开 Anaconda Prompt，输⼊conda activate pytorch，再输⼊python，进⼊ python 环境。

在 python 环境中，输⼊import torch, 之后输⼊torch.cuda.is_available，查看返回的结果是否是 True。

如果你基于pytorch训练模型，然后，你想加快训练速度，增大batch_size,或者，你有一台配置多张显卡的机器，还是说你有多台带显卡机器，你想利用起来，分布式训练你的模型，那这篇文章对你有点用。

基于以上的需求，我趟了一遍，记录下我遇到的坑都有哪些，怎么跨过去。

先看一下我主要的工具：anaconda,apex,horovod。

就这三个。

接下来的工作，全部在conda环境内完成，所以安装一个最新版的conda，然后创建一个新的环境，并且激活这个环境。

在这个全新的环境里面，安装模型训练需要的所有package。

三种配置conda新环境的方法：a.最最简单的办法，直接拷贝path_to_conda/anaconda3/envs下面的环境，移植到新机器对应环境下。

但是这个方法有前提条件：首先是，最好新旧机器的硬件配置、系统版本是一样的；第二是环境内的package的安装过程不需要配置额外参数。

b.导出conda环境，在新机器上创建。

显然这种方式的前提和第一种相似。

c.当环境无法移植进来时，只能一个一个安装安装好环境后建议检查以下cuda和pytorch版本是否匹配，在python脚本内使用以下方法检查:Apex是Nvidia开发维护的工具，使用简便的API实现混合精度训练和分布式训练根据以下链接安装apex：此处，需要确定pip的路径，必须是你想要的env内的pip,不然可能会安装到base env内。

一种简单的办法是path_to_conda/anaconda3/envs/bin/pip安装，前提是你的环境装上了pip。

以上链接给出了混合精度和分布式的example,按照例子，增加几行代码即可。

启动分布式训练的命令：如果你要指定使用某几张显卡：Apex内的混合精度训练amp使用起来后，可以看到同样的数据，同样的batch size时，显存消耗减少到原来的60%，同时GPU-Util保持在较高值。

在2080Ti的机器，batch size原来至多能达到12，使用apex.amp后可以达到24，效果显著。

在ubuntu20.04下搭建深度学习环境（pytorch1.5） ⾸先声明，完成这个环境的搭建不是我⼀个⼈的努⼒，是我在⽹上查找好多相关资料并得益于他们的帮助完成的，在下⽂对应的地⽅会放上相关链接。

整个过程我将它分为4个步骤。

⼀、在ubuntu20.04上安装python3.7; 不知道为什么，我下载的这个ubuntu20.04没有⾃带python环境，刚开始我也惊了⼀下，不过不管那么多了，装⼀下也还好啦。

故⾃⾏安装python3.7，简单粗暴：sudo apt-get install python。

它会⾃动安装最新版python。

⼆、检查硬件并安装对应的显卡驱动； 参考链接如下： ⾸先使⽤ubuntu-drivers devices命令查看⾃⼰的机器所需要安装的驱动版本，⽐如我这个TITAN RTX（型号）就需要安装430或者440。

然后参照上⾯链接中的信息，在官⽹上下载对应的驱动并安装即可。

注：⽬前最新的ubuntu20.04系统在选择驱动的时候，选⽤ubuntu18.04或者19.04的都可以。

三、安装cuda、cudnn并检查是否正确安装；　关于cuda、cudnn的安装，这篇博⽂写得很好，⼤家可以参考安装。

我在这⾥就不再赘述了。

但需要注意的是中间的gcc降级，⼀般可能会想不到这个，因为在windows下应该是不需要这个操作的（据我所知）。

成果图：四、利⽤清华镜像安装pytorch1.5。

为什么要⽤清华镜像安装pytorch1.5呢？因为官⽹直接在线安装提⽰timeout（连不上）；⼜没有whl⽂件供下载（晚点应该会有）。

所以只能考虑⽤别的镜像源了，最终在⽹上找到了这个。

conda config --add channels https:///anaconda/pkgs/free/ conda config --add channels https:///anaconda/pkgs/main/ conda config --set show_channel_urls yes conda config --add channels https:///anaconda/cloud/pytorch/ conda install pytorch torchvision cudatoolkit=10.0 原谅链接： 因为我安装的是cuda10.2，所以我将上述最后⼀⾏的参数“cudatoolkit=10.0”修改为“cudatoolkit=10.2”就可以了，也是⽀持GPU的。

pytorch dali 编译PyTorch DALI 是一个用于数据加载和预处理的库，它使用NVIDIA 的DALI 库。

DALI 是NVIDIA 开发的一个专门用于深度学习数据预处理的高速库。

PyTorch DALI 的目标是提供与PyTorch 兼容的接口，以便在深度学习训练中加速数据加载和预处理。

要编译PyTorch DALI，你需要先安装PyTorch 和NVIDIA 的DALI 库。

下面是一些编译PyTorch DALI 的基本步骤：安装PyTorch：你可以从PyTorch 官网下载并安装最新版本的PyTorch。

确保安装的PyTorch 版本与你的CUDA 版本兼容。

安装NVIDIA DALI：你可以从NVIDIA DALI 官网下载并安装最新版本的DALI。

确保安装的DALI 版本与你的CUDA 版本兼容。

安装PyTorch DALI：你可以使用pip 命令安装PyTorch DALI。

打开终端或命令提示符，然后运行以下命令：shellpip install torch-dali这将安装PyTorch DALI 和其依赖项。

4. 编译PyTorch DALI：如果你需要自定义修改或优化PyTorch DALI，你可能需要手动编译它。

你可以使用以下命令在源代码目录中编译PyTorch DALI：shellpython setup.py install这将编译PyTorch DALI 并将其安装到你的Python 环境中。

请注意，上述步骤可能因操作系统和环境而有所不同。

确保根据你的操作系统和环境进行适当的调整。

如果你遇到任何问题，请查阅PyTorch DALI 的文档或寻求社区支持。

torch和显卡算力对应的版本随着深度学习的广泛应用，GPU在深度学习中扮演着重要的角色。

而PyTorch（简称torch）作为深度学习领域中的一种流行框架，也需要使用显卡进行深度学习计算。

不同的torch版本对应着不同的显卡算力，根据不同的需求选择合适的版本是非常重要的。

首先需要明确的是，torch要求的CUDA（Compute Unified Device Architecture）版本需要和显卡算力相匹配。

CUDA是NVIDIA公司推出的一种通用并行计算架构，其主要用途是进行GPU计算。

在深度学习领域中，CUDA被广泛使用来加速神经网络的训练和推断。

而显卡算力则是显卡的性能指标之一，它决定了显卡在深度学习计算中的表现。

针对不同的显卡算力，torch对应的CUDA版本如下：- CUDA 9.2对应的显卡算力范围是从1.0到7.5，支持的torch版本是1.0到1.2。

- CUDA 10.0对应的显卡算力范围是从3.0到7.5，支持的torch版本是1.0到1.3。

- CUDA 10.1对应的显卡算力范围是从3.0到7.5，支持的torch版本是1.0到1.4。

- CUDA 10.2对应的显卡算力范围是从3.0到7.5，支持的torch版本是1.5及以上。

对于使用较老的显卡（算力低于3.0）的用户，建议使用CUDA 9.2和torch 1.1及以下的版本。

而对于算力较高的用户，可以选择使用CUDA 10.x和torch 1.4及以上的版本，以获得更好的性能。

需要注意的是，虽然CUDA版本和torch版本是相互配合的，但不应盲目追求最新的版本。

随着版本的更新，新的功能和优化可能会带来新的问题，而老版本的稳定性和兼容性已经经过了验证。

因此，在选择版本时，应综合考虑自己的需求、显卡算力和已验证的性能。

总的来说，正确匹配CUDA版本和torch版本是深度学习计算中的重要问题之一。

合适的版本选择可以提升计算效率和稳定性，更好地发挥显卡的性能。

文章标题：深入探讨CUDA、PyTorch和Python对应版本的关系在计算机科学领域中，CUDA、PyTorch和Python是三个备受关注的重要技术和工具。

它们分别代表着通用并行计算架构、深度学习框架和高级编程语言，它们之间的关系和版本对应一直是人们关注的焦点。

本文将深入探讨CUDA、PyTorch和Python对应版本的内容，帮助读者全面理解它们之间的关联。

一、 CUDACUDA（Compute Unified Device Architecture）是由NVIDIA推出的一种通用并行计算架构。

它充分利用了NVIDIA GPU的并行计算能力，将通用计算任务和图形处理任务结合在一起。

CUDA的出现极大地提升了GPU在科学计算、深度学习等领域的应用能力。

在CUDA的发展过程中，不同的版本对应着不同的NVIDIA GPU架构。

比如CUDA 9.0适用于Kepler架构，而CUDA 10.0支持了Volta架构。

在选择CUDA版本的时候，需要根据自己的GPU架构来确定最适合的版本，以获得更好的性能和稳定性。

二、 PyTorchPyTorch是一个开源的深度学习框架，由Facebook开发并维护。

它提供了丰富的张量计算功能和灵活的神经网络设计，深受研究者和工程师的青睐。

PyTorch的出现极大地推动了深度学习技术的发展，并在学术界和工业界取得了广泛的应用。

PyTorch的版本更新非常频繁，每个新版本都会带来新功能和改进。

PyTorch也会根据不同的CUDA版本进行优化，以保证在不同GPU 环境下的稳定性和性能。

在选择PyTorch版本的时候，需要考虑与CUDA对应的情况，以获得最佳的使用体验。

三、 PythonPython是一种简单易学、功能丰富的高级编程语言，被广泛应用于科学计算、人工智能和网页开发等领域。

作为一种动态类型语言，Python以其清晰的语法和丰富的库支持，成为了众多开发者的首选。

在Python的发展过程中，不同的版本也对应着不同的特性和优化。

Linux安装Pytorch1.8GPU（CUDA11.1）的实现先说下⾃⼰之前的环境（都是Linux系统，差别不⼤）：Centos7.6NVIDIA Driver Version 440.33.01（等会需要更新驱动）CUDA10.1Pytorch1.6/1.7提⽰，如果想要保留之前的PyTorch1.6或1.7的环境，请不要卸载CUDA环境，可以通过Anaconda管理不同的环境，互不影响。

但是需要注意你的NVIDIA驱动版本是否匹配。

在这⾥能够看到官⽅给的对应CUDA版本所需使⽤驱动版本。

通过上表可以发现，如果要使⽤CUDA11.1，那么需要将显卡的驱动更新⾄455.23或以上（Linux x86_64环境）。

由于我之前的驱动版本是440.33.01，那么肯定不满⾜，所以需要更新下显卡的驱动。

通过以下指令可以查看你电脑上的驱动版本：nvidia-smi如果你的驱动版本是满⾜的，那么可以直接跳到创建Pytorch1.8虚拟环境章节。

更新驱动卸载旧驱动我之前安装的是NVIDIA-440的版本，找到之前下载的安装程序，然后打开终端通过以下指令进⾏卸载：sh ./NVIDIA-Linux-x86_64-440.33.01.run --uninstall安装新驱动根据你的GPU型号以及操作信息选择对应的驱动，注意CUDA Toolkit11版的当前可选的只有11.0和11.2，⽽我们要装的是11.1所以选择11.2即可。

2）关闭Xserver服务（如果没有安装桌⾯系统可以跳过）我的桌⾯系统是gdm（GNOME Display Manager）类型的，通过systemctl可以看到：systemctl status gdm.service显⽰结果：● gdm.service - GNOME Display ManagerLoaded: loaded (/usr/lib/systemd/system/gdm.service; enabled; vendor preset: enabled)Active: active (running) since Fri 2021-01-22 09:27:06 CST; 1 months 22 days agoProcess: 32347 ExecStartPost=/bin/bash -c TERM=linux /usr/bin/clear > /dev/tty1 (code=exited, status=0/SUCCESS)Main PID: 32344 (gdm)Tasks: 22CGroup: /system.slice/gdm.service├─32344 /usr/sbin/gdm└─32357 /usr/bin/X :0 -background none -noreset -audit 4 -verbose -auth /run/gdm/auth-for-gdm-mBzawN/databa...Jan 22 09:27:06 localhost.localdomain systemd[1]: Starting GNOME Display Manager...Jan 22 09:27:06 localhost.localdomain systemd[1]: Started GNOME Display Manager.关闭gdm服务：systemctl stop gdm.service注意，如果还开启了类似VNC远程桌⾯的服务也要记得关闭。

安装pytorch时，torch.cuda.is_available（）返回false的解决办
法
最近在安装pytorch时极为恼⽕，明明电脑有GPU且pytorch已经装好，但是torch.cuda.is_available()⼀直是返回false。

在⽹上搜集了⼀堆解决办法，最终摸索了两天后解决了这个问题。

为避免下次遇到此问题，特此做个解决⽅法记录。

当出现torch.cuda.is_available()返回false的情况时解决办法
⾸先在⾃⼰创建的⽤于安装pytorch的虚拟环境中，输⼊conda list查看从官⽹下载的pytorch是CPU版本的还是GPU版本的。

若发现⾃⼰下载的pytorch为CPU版本的，则将此pytorch卸载，去官⽹使⽤PIP安装⽅式安装新的pytorch，记住千万，千万，千万不要⽤conda的安装⽅式，因为它下载的⼀直都是CPU版本的。

若⾃⼰下载的确实为GPU版本的，但是仍旧出现torch.cuda.is_available()返回false的情况，则可能是版本不匹配的问题。

Win10环境下YOLO5快速配置与测试⽬录⼀、更换官⽅源⼆、安装Pytorch+CUDA(python版本)三、YOLO V5 配置与验证四、数据集测试五、⼩结不想看前⾯，可以直接跳到标题：⼀、更换官⽅源1 Requirements2Python 3.8 or later with all requirements.txt dependencies installed, including torch>=1.6. To install run:34 $ pip install -r requirements.txt所以，为了避免不必要⿇烦，python请换成3.8版本！同时也要提前打开 requirements.txt⽂件（见下⽂），了解其依赖库版本。

我这⾥事先安装好Anaconda3-2020.07-Windows-x86_64，对应Python3.8。

打开requirement.txt⽂件，内容如下。

1 # pip install -r requirements.txt2 Cython3 matplotlib>=3.2.24 numpy>=1.18.55 opencv-python>=4.1.26 pillow7 # pycocotools>=2.08 PyYAML>=5.39 scipy>=1.4.110 tensorboard>=2.211 torch>=1.6.012 torchvision>=0.7.013 tqdm>=4.41.0⼀、更换官⽅源或者更简单的⽅法：⼿动打开 C:\Users\Administrator\.condarc⽂件，修改后，为如下内容1 ssl_verify: true2 show_channel_urls: true【注：需要提前安装Anaconda3-2020.07-Windows-x86_64（去anaconda官⽹下就⾏了），对应Python3.8；当你看到这篇博客的时候，说不定YOLO V5 页⾯的安装需求变为Python3.9...】打开如上图红圈内的命令⾏窗⼝，本篇博客下述所有指令将在其上进⾏操作，⽽不是win⾃带CMD or powershell⼆、安装Pytorch+CUDA(python版本)先创建conda虚拟环境，取名字为pytorch1 conda create -n pytorch python=3.82 conda activate pytorch # 激活虚拟环境在pytorch官⽹，我们作出如下图选择，然后复制⽣成的脚本指令。

cuda pyroch python 对应版本（最新版）目录1.CUDA、Pyroch 和 Python 的关系2.CUDA 的版本与对应 Python 版本的匹配3.Pyroch 的版本与对应 Python 版本的匹配4.结论正文CUDA 是 NVIDIA 推出的一款并行计算平台，用于加速深度学习和其他计算密集型任务。

Pyroch 是 Facebook AI Research（FAIR）推出的一款用于自然语言处理的 Python 库。

Python 是一种广泛应用于数据科学和人工智能领域的编程语言。

三者之间的关系在于，CUDA 可以加速Pyroch 中的计算任务，而 Python 可以方便地调用 CUDA 和 Pyroch。

在使用 CUDA 和 Pyroch 时，需要确保它们的版本与 Python 版本相互匹配，以确保程序正常运行。

以下是它们之间的版本对应关系：1.CUDA 的版本与对应 Python 版本的匹配- CUDA 10.0: 支持 Python 3.7、3.8- CUDA 10.1: 支持 Python 3.7、3.8- CUDA 10.2: 支持 Python 3.7、3.8- CUDA 11.0: 支持 Python 3.7、3.82.Pyroch 的版本与对应 Python 版本的匹配- Pyroch 0.7.0: 支持 Python 3.6、3.7、3.8- Pyroch 0.8.0: 支持 Python 3.6、3.7、3.8- Pyroch 0.9.0: 支持 Python 3.6、3.7、3.8- Pyroch 1.0.0: 支持 Python 3.6、3.7、3.8在使用 CUDA 和 Pyroch 时，需要根据具体的需求选择合适的版本。

如果使用的是较新的 CUDA 版本，建议使用较新的 Pyroch 版本以获得更好的性能和兼容性。

同时，确保 Python 版本与 CUDA 和 Pyroch 的版本匹配，以避免出现兼容性问题。