深度学习环境搭建问题解决方案

问题描述在使用虚拟机运行深度学习模型时，遇到了CUDA与PyTorch不兼容的问题，具体报错为：AssertionError: Torch not compiled with CUDA enabled。此外，虚拟机无法使用主机的GPU资源。针对这种情况，我们采取了以下步骤进行解决：

1. 确认系统和硬件配置

  • 显卡型号：4060
  • CUDA版本：12.2

2. 检查PyTorch与CUDA的兼容性

  • 访问PyTorch官网，查看当前支持的CUDA版本。目前官网只更新到CUDA 12.1。

3. 解决方法

  • 由于虚拟机无法调用主机GPU，我们选择下载Windows版本的PyTorch，以便直接利用主机的硬件资源。

4. 下一步计划

  • 考虑到PyTorch官网尚未更新支持CUDA 12.2，我们将关注官网的更新动态，同时寻找社区提供的兼容版本或等待官方发布。

5. 其他建议

  • 检查系统环境变量，确保CUDA相关的路径正确设置。
  • 尝试使用Docker等容器技术，它可能提供更灵活的CUDA版本支持。

结论虽然当前PyTorch官方版本尚未支持CUDA 12.2，但通过下载Windows版本并利用主机资源，我们可以暂时绕过这一问题。同时，我们将持续关注官方更新，并探索其他可能的解决方案。


最近在进行深度学习开发时，遇到了CUDA版本与PyTorch不兼容的问题。经过一番研究，找到了一个相对简便的解决方案，现在分享给大家：

  1. 安装Anaconda：首先需要下载并安装Anaconda。在安装过程中，请确保选择的文件夹是一个空文件夹，否则可能会遇到错误。

  2. 打开Anaconda Prompt：安装完成后，在开始菜单中找到并点击Anaconda，选择打开类似于Linux系统的终端，即Anaconda Prompt。

  3. 下载最新PyTorch：在Anaconda Prompt中，直接下载最新版本的PyTorch。意外的是，我发现最新版PyTorch能够与我的CUDA版本兼容，并且可以正常使用。 通过以上步骤，无需降级CUDA，就可以解决兼容性问题，希望这个方法对大家有所帮助。

 打开之后，创建环境：

1

conda create -n pytorch python=3.8

pytorch是我自己定义的名字，可以根据自己的选择进行更改。

之后输入

conda activate torch

出现如下图所示的便为激活成功：

然后便可以去官网下载pytorch，建议下载stable版本的。

1

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

由于网站是国外的原因，下载速度是很感人的，因此可以通过以下命令添加镜像源，下载速度会快一些（比不添加快一点只是，不知道怎么回事，和虚拟机上面的速度没法比）

1
2
3
4
5
6
7

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

conda config --set show_channel_urls yes

然后再把上面的pytorch下载链接改为如下的：

1

conda install pytorch torchvision torchaudio pytorch-cuda=12.1

在使用Anaconda解决环境问题时，如果遇到权限问题，例如EnvironmentNotWritableError，这通常意味着当前用户没有足够的权限来修改目标环境。解决这个问题的一个方法是以管理员身份运行Anaconda Powershell Prompt。以下是具体的步骤：

  1. 打开Anaconda Powershell Prompt。2. 选择以管理员身份运行。3. 运行命令python进入Python环境。4. 然后根据需要输入相应的命令。 完成上述步骤后，为了确保CUDA和PyTorch的兼容性，需要检查它们是否匹配。这通常涉及到以下几个方面：
  • 确认CUDA的版本是否与PyTorch版本兼容。
  • 确保安装的PyTorch版本支持当前的CUDA版本。 如果一切设置正确，你的环境应该能够正常工作。
1

import torch

然后，

1

torch.cuda.is_available()

如果返回True，便代表安装成功