CubeStudio 在线开发：Jupyter 创建 GPU 类型容器后无法识别显卡的解决方法-CSDN博客

本文链接：https://blog.csdn.net/gs80140/article/details/147919780

CubeStudio 在线开发：Jupyter 创建 GPU 类型容器后无法识别显卡的解决方法

💥 问题复现

✅ 正确输入方式

🔧 解决步骤回顾

1. 确认 PyTorch 为 GPU 版本

2. 运行 nvidia-smi 检查显卡是否挂载

3. 修正 CubeStudio 的 GPU 配置参数

🎯 总结

🔚 结语

CubeStudio 在线开发：Jupyter 创建 GPU 类型容器后无法识别显卡的解决方法

在使用 CubeStudio 在线开发平台创建带有 GPU 能力的 Jupyter Notebook 容器时，很多用户可能会遇到一个令人困惑的问题：

在容器中成功安装了 PyTorch 的 GPU 版本，但运行 torch.cuda.is_available() 返回 False，并且执行 nvidia-smi 显示 “No devices were found”。

本文将复现该问题的典型场景，并提供清晰的解决步骤，帮助你顺利使用 GPU 加速训练任务。

💥 问题复现

在创建 GPU 类型的 Jupyter 容器时，CubeStudio 需要你手动输入 GPU 资源使用限制。平台的输入框提示如下：

gpu的资源使用限制（单位卡），示例: 1，2。
训练任务每个容器独占整卡。申请具体的卡型号，可以类似 1(V100)。

很多用户容易误解这段描述，例如将 1，2 理解为「申请两个 GPU」，但实际上 该平台并不接受中英文逗号分隔的 GPU ID 列表格式。

错误输入示例：

1，2

造成的后果是：

Jupyter 容器虽然正常启动；
但容器内部 nvidia-smi 返回 No devices were found；
torch.cuda.is_available() 永远为 False；
实际未成功分配 GPU。

✅ 正确输入方式

平台需要你指定 单卡 GPU 数量 或 卡类型（可选），示例如下：

或（若支持类型指定）：

2(V100)

这代表你申请 2 张 GPU 卡，或明确申请 2 张 V100 卡。

🔧 解决步骤回顾

1. 确认 PyTorch 为 GPU 版本

使用命令安装 PyTorch CUDA 11.8 版本：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

并在 Python 中验证：

import torch
print("torch version:", torch.__version__)
print("CUDA built:", torch.backends.cuda.is_built())
print("CUDA available:", torch.cuda.is_available())
print("CUDA version:", torch.version.cuda)

如果 torch.cuda.is_available() 为 False，请继续查看下一步。

2. 运行 `nvidia-smi` 检查显卡是否挂载

nvidia-smi

如输出：

No devices were found

说明 容器未正确挂载 GPU。

3. 修正 CubeStudio 的 GPU 配置参数

在重新创建 Jupyter 容器时：

清空之前的输入 1，2；
改为只输入数字，如 2；
然后点击启动。

容器创建完成后，重新进入 Notebook，运行以下命令验证：

!nvidia-smi

如果显示正确的 GPU 型号、驱动版本和进程信息，说明问题已经解决。

此时：

torch.cuda.is_available()  # 应返回 True

🎯 总结

问题项	描述
错误输入	`1，2`（逗号格式导致平台无法识别 GPU 申请）
正确输入	`2` 或 `2(V100)`
表现症状	PyTorch 报告无 GPU，nvidia-smi 显示无设备
解决方式	重设容器，正确输入数字格式后重新申请 GPU