安装好cuda后解决torch.cuda.device_count() == 0

已于 2023-10-26 14:38:19 修改
阅读量1.4k 收藏 2
点赞数 2
分类专栏： 深度学习 文章标签： 深度学习
于 2023-10-26 13:57:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nanxiang11/article/details/134054433
版权

更新显卡驱动可以安装高版本的cuda

可以通过打开cmd输入nvidia-smi来查看
在这里插入图片描述
所以说不高于12.3的版本都可以安装

cuda版本匹配pytorch版本

打开网址：https://pytorch.org/
在这里插入图片描述
验证完后，就可以吭哧吭哧的去下载安装了
搞完后还是发型代码跑出来GPU = 0
不要慌

关键一步

在这里插入图片描述
在这里插入图片描述
把这个复制进去安装一下

运行

在这里插入图片描述

根本原因

pycharm安装的torch只支持cup计算，所以需要重新装过
在这里插入图片描述

是南巷的花猫啊
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
dispatch_pytorch_demo.zip
10-31
if torch.cuda.device_count() > 1: model = nn.DataParallel(model) model.cuda() ``` 这使得模型可以在多个GPU上并行运行，提高训练速度。 总结，"dispatch_pytorch_demo.zip"提供了一个全面的PyTorch学习实例...
pytorch_multi_gpu:如何在Pytorch中使用Multi GPU？
04-01
- 创建模型实例，并将其移动到第一个GPU上，例如`model = model.to(device)`，其中`device = torch.device('cuda:0')`。 - 将`DataParallel`包装器应用于模型，如`model_parallel = nn.DataParallel(model)`。 - ...
torch.cuda.device_count()结果为0，检测不到显卡
最新发布
semiconductor_s的博客
02-15 1733
检查自己的python版本、cuda版本、torch和 torchvision 版本是否兼容。例：cuda12.1，python 3.9，torchversion 0.16.0，win。例：cuda12.1，python 3.9，torch2.1.0，win。寻找对应的torch和 torchvision 版本下载地址。cd到下载目录下pip安装。安装前先卸载原有版本。
选择要用的GPU: CUDA_VISIBLE_DEVICES
热门推荐
lscelory的博客
10-31 10万+
服务器中有多个GPU，选择特定的GPU运行程序可在程序运行命令前使用：CUDA_VISIBLE_DEVICES=0命令。0为服务器中的GPU编号，可以为0, 1, 2, 3等，表明对程序可见的GPU编号。 1. 命令： CUDA_VISIBLE_DEVICES=1 # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块儿GPU CUDA_VISIBLE_DEVICES=0...
Windows系统下，电脑有nvidia的GPU，但是torch.cuda.device_count()显示GPU数量为0
heshan1109的博客
11-23 1877
为了配合学习李沐的《动手学深度学习 PyTorch版》，近期在Win 10系统的笔记本电脑中完成了相关配置。笔记本电脑配有nvidia 3060的显卡。学习到第5章的GPU计算时，尝试运行torch.cuda.device_count()，返回GPU数目为0。为了解决这个问题，依次进行了以下操作。
RTX3070显卡笔记本运行 torch.cuda.device_count() 显示 0 解决办法、Tensorflow包安装全解
页川叶川
03-20 1万+
RTX3070显卡笔记本运行 torch.cuda.device_count() 显示 0 解决办法 问题原因：CUDA、显卡驱动、pytorch、pytorchvision版本不对应 CUDA版本：11.3.1 显卡驱动：最高版本 pytorch安装：https://pytorch.org/get-started/locally/ 最终结果（成功）： ...............
如何解决笔记本上有GPU但是torch.cuda.device_count()==0的问题？
Jasmine-Lily的博客
10-11 772
安装CUDA Toolkit，在pytorch中安装cuda包，如何解决笔记本上有GPU但是torch.cuda.device_count()==0的问题？
cuda11.2 解决torch.cuda.device_count() 为0的步骤
sunny的博客
10-17 1260
gpu环境安装
MX150显卡笔记本运行 torch.cuda.device_count() 显示 0
anxinbuxinan的博客
06-25 620
这段时间在某站上跟着“跟李沐学AI”博主学习Pytorch，马上学习到神经网络，众所周知，神经网络最好使用GPU来进行运作，但是电脑虽然有GPU但是不能使用。虽然电脑上有GPU，但是却显示GPU数量为0。可以看到，电脑上是有GPU的，但是出现了下述情况。
解决pytorch报错:AssertionError: Invalid device id的问题
09-18
使用`torch.cuda.device_count()` 可以确认当前环境中可用的GPU数量。如果返回值为1，意味着只有一个GPU，需要相应地调整代码。 4. **模型加载与设备分配**： 当从服务器加载预训练模型时，确保在加载模型前正确...
Pytorch to(device)用法
12-23
if torch.cuda.device_count() > 1: model = nn.DataParallel(model, device_ids=[0, 1, 2]) model.to(device) ``` 这会创建一个数据并行模型，数据会在多个GPU之间分片处理。 4. **张量与NumPy的关系**： ...
Pytorch 高效使用GPU的操作
12-17
同时，`torch.cuda.device_count()`会返回可用GPU的数量。 在具体操作中，数据和模型的迁移至GPU是关键步骤。例如，你可以创建一个`torch.device`对象来指定GPU，如`device = torch.device("cuda:0")`，这里的0代表...
pytorch多GPU并行运算的实现
01-20
Pytorch多GPU运行 设置可用GPU环境变量。例如，使用0号和1号GPU’ os.environ[CUDA_VISIBLE_... print(Let's use, torch.cuda.device_count(), GPUs!) model = nn.DataParallel(model) 将模型参数设置使用GPU运行
使用PyTorch在单台机器上利用多个GPU训练CycleGAN模型
01-16
print("Let's use", torch.cuda.device_count(), "GPUs!") disc_H = nn.DataParallel(disc_H, device_ids=[0,1]) disc_Z = nn.DataParallel(disc_Z, device_ids=[0,1]) gen_Z = nn.DataParallel(gen_Z, device_...
将Pytorch模型从CPU转换成GPU的实现方法
09-18
`torch.cuda.device_count()`则可以获取可使用的GPU数量。 在编写代码时，通常会根据GPU是否可用来决定模型和数据运行的位置。以下是一个常见的模式： ```python if torch.cuda.is_available(): device = torch....
torch.cuda命令查询
qq_36955294的博客
07-17 7860
1. 服务器GPU状态查询 1） lspci | grep -i nvidia 可以查询所有nvidia显卡 2） lspci -v -s [显卡编号] 可以查看显卡具体属性 3） nvidia-smi 可以查看显卡的显存利用率 2. torch.cuda主要函数 1) 查看是否有可用GPU:torch.cuda.is_available() 可用GPU数量： gpus = torch.cuda.device_count() logg...
RuntimeError: Attempting to deserialize object on CUDA device 5 but torch.cuda.device_count() is 1.
guoqiangszu的博客
05-28 2228
问题： RuntimeError: Attempting to deserialize object on CUDA device 5 but torch.cuda.device_count() is 1. Please use torch.load with map_location to map your storages to an existing device. Process finished with exit code 1 原因 checkpoint = torch.load(os.path
3张显卡但是torch.cuda.device_count = 1
m0_37937789的博客
10-22 7237
有3张显卡但是torch.cuda.device_count = 1 用nvidia-smi查看GPU信息如下显示 但是在使用时，使用torch.rand(3,3).cuda('1)或者torch.rand(3,3).cuda('0‘’)出现错误CUDA error : invalid device ordinal，使用torch.cuda.device_count()查询，结果为1，如下图所示 后来通过检查环境变量，发现环境变量设置有问题，原始设置如下所示，系统默认了GPU显卡为第二块显卡，所以出现了
return torch._C._cuda_getDeviceCount() ＞ 0 卡住了
hang on it more longer
02-07 1018
今天遇到一个问题，在命令行模式下通过ssh远程调试pytorch代码，后面就卡主了，无论重启远程实例还是IDE都不行。发现是执行 return torch._C._cuda_getDeviceCount() ＞ 0 就卡主了。ps -ef |grep python，发现调试进程还在。3、如何安装rmmod和modprobe命令。意思是说，这是linux的一个已知问题。nvidia-smi，发现并没有进程。2、网上查资料找到如下答案。
use_cuda = torch.cuda.is_available() FloatTensor = torch.cuda.FloatTensor if use_cuda else torch.FloatTensor device = torch.device("cpu") #使用GPU进行训练 from torch.autograd import Variable from replay_buffer import ReplayMemory, Transition # set up matplotlib is_ipython = 'inline' in matplotlib.get_backend() if is_ipython: from IPython import display #plt.ion() use_cuda = torch.cuda.is_available() FloatTensor = torch.cuda.FloatTensor if use_cuda else torch.FloatTensor device = torch.device("cpu")把这段代码改成CPU训练
06-02
您可以像这样将上述代码更改为在CPU上进行训练： ``` import torch from torch.autograd import Variable from replay_buffer import ReplayMemory, Transition device = torch.device("cpu") # 使用CPU进行训练 # 设置matplotlib is_ipython = 'inline' in matplotlib.get_backend() if is_ipython: from IPython import display # 定义FloatTensor FloatTensor = torch.FloatTensor # 创建replay buffer memory = ReplayMemory(10000) # 将模型和优化器移动到CPU上 model = DQN().to(device) optimizer = optim.Adam(model.parameters()) # 定义状态转换函数 def state_to_tensor(state): return FloatTensor([state]) # 训练模型 for i in range(num_episodes): state = env.reset() for t in count(): # 获取动作 action = select_action(state) # 执行动作并获取下一状态、奖励、是否结束 next_state, reward, done, _ = env.step(action.item()) # 转换状态和动作为张量 state_tensor = state_to_tensor(state) action_tensor = LongTensor([action]) next_state_tensor = state_to_tensor(next_state) # 存储状态转换 memory.push(state_tensor, action_tensor, next_state_tensor, reward) # 更新状态 state = next_state # 训练模型 optimize_model() if done: break ``` 这里我们将使用CPU进行训练，所以我们将`device`设为`torch.device("cpu")`；将`FloatTensor`设为`torch.FloatTensor`即可。同时，我们还需要将模型和优化器移动到CPU上，可以使用`to`方法将它们移动到CPU上。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值