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3.3k 收藏 4
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
本文介绍了如何更新显卡驱动以便安装高版本CUDA，强调了CUDA版本需与PyTorch版本匹配。特别指出在PyCharm中使用PyTorch时，可能需要重新安装以支持cup计算。最后提供了关键步骤和解决GPU显示问题的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

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

已安装 CUDA 与Pytorch 但 torch.cuda.is_available() 为 False
11-17 1620
已安装 CUDA 与Pytorch 但 torch.cuda.is_available() 为 False。
torch.cuda常用指令
qq_43307074的博客
11-03 9485
torch.cuda常用指令
torch.cuda.device_count()结果为0，检测不到显卡
semiconductor_s的博客
02-15 3524
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。
李沐动手深度学习——torch.cuda.device_count()为0,重新安装2.5.1版本的torch
weixin_64232786的博客
03-04 299
导入torch 并显示版本，发现是cpu版本。原因是之前安装的torch版本为cpu的。· 安装新的pytorch。· 进入python。· 退出python。
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 1403
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？
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 3053
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。
MX150显卡笔记本运行 torch.cuda.device_count() 显示 0
anxinbuxinan的博客
06-25 762
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。
cuda11.2 解决torch.cuda.device_count() 为0的步骤
sunny的博客
10-17 1996
gpu环境安装
torch.cuda.is_available()返回false、torch.cuda.device_count()结果为0----电脑有GPU，但是检测不到的解决方案
YCCX_LHH21的博客
07-08 1230
1、首先可能是自己的python版本、cuda版本、torch和 torchvision 版本是否兼容，我建议是重新安装cuda和torch以及torchvision 的版本。（3）打开Anaconda Prompt控制台，进入到自己要安装的环境下面去，如果你不是使用anaconda去管理python环境的话，你就按照你自己的方式进入到要安装的环境下面去就行，然后执行你刚刚复制的这段命令。（4）然后再到pycharm中去检测是否cuda可用，我这边是已经ok了的，如果不行，就重新打开一下pycharm。
torch.cuda命令查询
qq_36955294的博客
07-17 8185
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...
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
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....
ubuntu安装python3-vene_Python torch.set_default_tensor_type方法代码示例
weixin_39966465的博客
11-22 768
本文整理汇总了Python中torch.set_default_tensor_type方法的典型用法代码示例。如果您正苦于以下问题：Python torch.set_default_tensor_type方法的具体用法？Python torch.set_default_tensor_type怎么用？Python torch.set_default_tensor_type使用的例子？那么恭喜您, 这...
torch.cuda
weixin_36670529的博客
08-30 8662
目录 torch.cuda.current_blas_handle() torch.cuda.current_device() torch.cuda.current_stream(device=None) torch.cuda.default_stream(device=None) class torch.cuda.device(device) torch.cuda.device_co...
详细介绍以及有错误地方'''Training script. ''' import os from tqdm import tqdm import torch import torch.nn as nn from torch.utils.data import DataLoader from torch.optim import Adam, lr_scheduler from torchsummary import summary from torchvision import transforms import torch.distributed as dist import torch.multiprocessing as mp from models.resnet50 import ResNet50 from runtime_args import args from load_dataset import LoadDataset from plot import plot_loss_acc from helpers import calculate_accuracy device = torch.device("cuda:0" if torch.cuda.is_available() and args.device == 'gpu' else 'cpu') if not os.path.exists(args.graphs_folder) : os.mkdir(args.graphs_folder) model_save_folder = 'resnet_cbam/' if args.use_cbam else 'resnet/' if not os.path.exists(model_save_folder) : os.mkdir(model_save_folder) def train(gpu, args): '''Init models and dataloaders and train/validate model. ''' rank = args.rank * args.gpus + gpu world_size = args.gpus * args.nodes dist.init_process_group(backend='nccl', init_method='env://', world_size=world_size, rank=rank) model = ResNet50(image_depth=args.img_depth, num_classes=args.num_classes, use_cbam=args.use_cbam) torch.cuda.set_device(gpu) model.cuda(gpu) optimizer = Adam(model.parameters(), lr=args.learning_rate) lr_decay = lr_scheduler.ExponentialLR(optimizer, gamma=args.decay_rate) criterion = torch.nn.CrossEntropyLoss().cuda(gpu) summary(model, (3, 224, 224)) model = nn.parallel.DistributedDataParallel(model, device_ids=[gpu]) train_dataset = LoadDataset(dataset_folder_path=args.data_folder, image_size=args.img_size, image_depth=args.img_depth, train=True, transform=transforms.ToTensor()) test_dataset = LoadDataset(dataset_folder_path=args.data_folder, image_size=args.img_size, image_depth=args.img_depth, train=False, transform=transforms.ToTensor()) train_sampler = torch.utils.data.distributed.Distri
最新发布
03-12
if torch.cuda.device_count() > 1: model = nn.parallel.DistributedDataParallel(model) ``` #### 4. 训练循环改进 为了避免不必要的阻塞操作影响整体吞吐量，在将张量移动至指定设备时推荐使用`non_blocking=...
getCudaEnabledDeviceCount()返回0的情况
weixin_41134703的博客
03-29 857
报错：CUDA: OpenCV requires enabled ‘cudev‘ module from ‘opencv_contrib。cmake中给OPENCV_EXTRA_MODULES_PATH添加opencv_contrib-4.X.X/modules路径。cv::cuda::getCudaEnabledDeviceCount() 一直返回0的情况；然后opencv才能使用gpu;opencv_contrib-4.X.X要与你的opencv版本一致；opencv官方下载的库是不带gpu的；
Pytorch —— GPU的使用
然后就去远行
06-17 1175
1、CPU与GPU CPU（Central Processing Unit，中央处理器）：主要包括控制器和运算器； GPU（Graphics Processing Unit，图形处理器）：处理统一的，无依赖的大规模数据运算； 上图中，黄色部分表示控制单元，绿色部分表示计算单元，橙色部分表示存储单元； 2、数据迁移至GPU data.to(“cuda”)实现将数据从CPU迁移到GPU； data.to(“cpu”)实现将数据丛GPU迁移到CPU； data有两种数据类型，一种是Tensor，一种是Modul
Pytorch中GPU相关操作
ppppppppppeter的博客
03-02 2499
记录使用实验室服务器的使用，仅为自己做参考
PyTorch学习（2）：torch.device
tecsai的博客
03-28 2556
torch.device 是 PyTorch 中的一个类，它指定了张量（Tensor）和模型应该运行在哪个设备上。在深度学习中，通常会使用 GPU 来加速计算，而 torch.device 允许你轻松地在 CPU 和 GPU 之间切换。
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