序
因為我的電腦是在18年買的，比較舊（GTX1050），安裝的Python版本又很新（3.8.8），接下來面臨的主要問題就是版本兼容問題，對于安裝方法，網上總結的很全了，這里總結一下重要的安裝要點，也是新手容易困惑的地方，
誤區1：CUDA安裝版本上限
查找網上CUDA安裝方法，很多文章都會通過“NAVIDA控制面板→幫助→系統資訊→組件”查找到CUDA的版本，并且認定這是和系統兼容的版本（即：安裝的版本上限），我認為這是錯誤的，
我認為這是錯誤的原因：我的顯卡是18年出的GTX1050，按照上述方法，我開始查到的CUDA版本號是9.1，后來通過試驗發現：即使我安裝了19年出的CUDA10.2，也是兼容的，因此我認為：按照上述方法給出的CUDA版本號并不是安裝上限，而是你曾經安裝過的CUDA版本號或者說你顯卡推出年份的CUDA版本號，
如果安裝高于這個的CUDA版本，是沒有問題的，以我自己為例，至少GTX1050是可以安裝10.2的，
我為什么特意強調了這一誤區呢？這一誤區導致我開始認為要么安裝Python老版本，要么換一個新顯卡，否則無法呼叫GPU環境了（悲)，因為我的Python版本很新，導致對Pytorch和CUDA的安裝版本要求也比較新，老的CUDA無法和Pytorch、Python同時兼容，如果能夠認識到這個誤區，就可以根據自己需求下載這三個軟體了，不用再擔心“顯卡過舊和CUDA不兼容”的問題，
方法1：最快查詢CUDA、Pytorch、Python兼容版本的方法，少走很多彎路
即使電腦成功安裝了CUDA和Pytorch，如果版本不兼容，也無法呼叫GPU環境，我自己就在這步花費了很多時間，
有文章通過Pytorch官網的pip命令安裝Pytorch庫，對于更快的方法，我直接上結論：通過pytorch下載界面的檔案名來看（下載界面的鏈接https://download.pytorch.org/whl/torch_stable.html）
如上圖，whl檔案的檔案名直接告訴了我們兼容的CUDA、pytorch和python版本號，選擇合適的檔案下載即可，
這樣還有一個好處：如果通過官網的pip安裝命令下載pytorch，可能需要梯子，且下載速度很慢，進而導致pytorch無法正常安裝，如果通過瀏覽器先下載好whl檔案，再安裝，速度就很快，對于whl檔案的安裝方法，參考https://jingyan.baidu.com/article/08b6a5917ed44214a909225c.html
方法2：“NIVIDA安裝程式失敗”處理方法
（1）在安裝CUDA之前，點開控制面板，卸載所有NIVIDA公司的產品，保留框里的兩個，然后用360或者電腦管家清理卸載殘留，清理注冊表，
（2) 進入C:\Program Files，洗掉NIVIDA Corporation檔案夾，如果提示檔案正在運行，先用任務管理器中止NIVDA組件運行再洗掉，或者利用電腦管家的檔案粉碎機強行洗掉，
（3）安裝時，不要勾選“Visual Studio Integration”組件
（4）CUDA安裝后，要進行環境變數配置和CUDNN的檔案配置，推薦一篇博客：win10+CUDA安裝及環境配置_Henry的博客-CSDN博客_cuda配置環境變數
方法3:其它問題的補充
（1）呼叫GPU環境的代碼
import torch
tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
print(torch.cuda.is_available())#如果結果為True，說明GPU環境可以呼叫（2）GPU環境下，初次運行深度學習代碼，可能出現虛擬記憶體不足的問題，需要為磁盤開辟虛擬記憶體
（3）"CUDA out of memory" 解決方法：調小圖片尺寸、降低Batch_size、令num_workers=0、令pinmemory=0、或者買個顯卡（玩笑
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/301323.html
標籤：其他