我有一个问题在哪里
import torch
print(torch.cuda_is_available())
将打印 False，并且我无法使用可用的 GPU。我已经在环境中进行了尝试conda，我安装了与我拥有的 NVIDIA 驱动程序相对应的 PyTorch 版本。我也在 docker 容器中尝试过，我也做了同样的事情。我已在远程服务器上尝试过这两个选项，但都失败了。我知道我已经安装了正确的驱动程序版本，因为我在安装 PyTorch 之前检查了版本nvcc --version，并且检查了nvidia-smi可以正确显示机器上 GPU 的 GPU 连接。
另外，我检查了这篇文章并尝试导出CUDA_VISIBLE_DEVICES，但没有运气。
在服务器上，我有 NVIDIA V100 GPU，CUDA 版本为 10.0（适用于 conda 环境），在我构建的 docker 容器上有版本 10.2。任何帮助或推动正确的方向将不胜感激。谢谢！
我正在尝试创建一个 Docker 映像，该映像使用 NVIDIA GPU 为 OpenGL 无头应用程序运行 X 服务器。（可用于创建纹理、在没有屏幕的情况下运行 Unity3D 等）。在这种情况下，主机不运行 X 服务器，我想在容器内完成所有操作。
我正在使用这个 Dockerfile 作为图像：
FROM ubuntu:18.04
ENV DEBIAN_FRONTEND=noninteractive
RUN apt update && \
apt install -y \
libglvnd0 \
libgl1 \
libglx0 \
libegl1 \
libgles2 \
xserver-xorg-video-nvidia-440
COPY xorg.conf.nvidia-headless /etc/X11/xorg.conf
ENV NVIDIA_VISIBLE_DEVICES all
ENV NVIDIA_DRIVER_CAPABILITIES graphics
ENV DISPLAY :1
ENTRYPOINT ["/bin/bash"]
对于 xorg.config.nvidia-headless 我用 nvidia-xconfig 创建了它
Section "ServerLayout"
Identifier "Layout0"
Screen 0 "Screen0"
EndSection
Section "Files"
EndSection
Section "Module"
Load "dbe"
Load "extmod"
Load "type1"
Load …具有 CUDA 功能 sm_86 的 NVIDIA GeForce RTX 3070 与当前 PyTorch 安装不兼容。当前的 PyTorch 安装支持 CUDA 功能 sm_37 sm_50 sm_60 sm_70。
所以我目前正在尝试训练神经网络，但遇到了这个问题。我的 GPU 型号似乎与我的 PyTorch 版本不兼容。
我的 nvcc -V 的输出是：
Cuda compilation tools, release 11.4, V11.4.48
Build cuda_11.4.r11.4/compiler.30033411_0
我的 PyTorch 版本是 1.9.0。
我尝试将 CUDA 版本从最初的 10 更改为 11.4，但没有任何变化。任何帮助将不胜感激。
C:\\Users\\jkim4\\Anaconda3\\lib\\site-packages\\cupy\\_environment.py:213: UserWarning: CUDA path could not be detected. Set CUDA_PATH environment variable if CuPy fails to load.\n warnings.warn(\nTraceback (most recent call last):\n File "C:\\Users\\jkim4\\Anaconda3\\lib\\site-packages\\cupy\\__init__.py", line 16, in <module>\n from cupy import _core # NOQA\n File "C:\\Users\\jkim4\\Anaconda3\\lib\\site-packages\\cupy\\_core\\__init__.py", line 1, in <module>\n from cupy._core import core # NOQA\n File "cupy\\_core\\core.pyx", line 1, in init cupy._core.core\n File "C:\\Users\\jkim4\\Anaconda3\\lib\\site-packages\\cupy\\cuda\\__init__.py", line 8, in <module>\n from cupy.cuda import compiler # NOQA\n File "C:\\Users\\jkim4\\Anaconda3\\lib\\site-packages\\cupy\\cuda\\compiler.py", line 12, in <module>\n from cupy.cuda import function\n File "cupy\\cuda\\function.pyx", line 1, in …我将 JavaFX 与 Java 8 结合使用，并在启动应用程序之前设置了此属性。
System.setProperty("prism.forceGPU","true");
System.setProperty("prism.order","d3d,sw");
棱镜的详细模式为我提供了以下内容：
Prism pipeline init order: d3d sw
Using native-based Pisces rasterizer
Using dirty region optimizations
Not using texture mask for primitives
Not forcing power of 2 sizes for textures
Using hardware CLAMP_TO_ZERO mode
Opting in for HiDPI pixel scaling
Threshold to enable UI scaling factor: 1.5
Prism pipeline name = com.sun.prism.d3d.D3DPipeline
Loading D3D native library ...
succeeded.
D3DPipelineManager: Created D3D9Ex device
Direct3D initialization succeeded
(X) Got class = class com.sun.prism.d3d.D3DPipeline
Initialized prism …当我设置Deep Learning的环境时，我发现在pytorch中，torch.cuda.is_available()函数始终为False。我多次尝试更换pytorch的版本，cpu版本安装成功，但是gpu版本无法安装。服务器之前可能以错误的方式安装了CUDA（nvcc --version不起作用，但我可以看到很多像CUDA-11.4这样的文件），所以我尝试安装CUDA 12.1并删除之前的文件。但还是无法安装CUDA。
当我第一次检查 nvidia-smi 时，输出如下：
Mon Apr 24 11:16:34 2023
+---------------------------------------------------------------------------------------+
| NVIDIA-SMI 530.30.02 Driver Version: 530.30.02 CUDA Version: 12.1 |
|-----------------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+======================+======================|
| 0 NVIDIA GeForce RTX 4090 On | 00000000:05:00.0 Off | Off |
| 0% 42C P8 12W / 450W| …我的monte carlo pi计算CUDA程序导致我的nvidia驱动程序在我超过500次试验和256个完整程序段时崩溃.它似乎发生在monteCarlo内核函数中.非常感谢.
#include <stdio.h>
#include <stdlib.h>
#include <cuda.h>
#include <curand.h>
#include <curand_kernel.h>
#define NUM_THREAD 256
#define NUM_BLOCK 256
///////////////////////////////////////////////////////////////////////////////////////////
///////////////////////////////////////////////////////////////////////////////////////////
// Function to sum an array
__global__ void reduce0(float *g_odata) {
extern __shared__ int sdata[];
// each thread loads one element from global to shared mem
unsigned int tid = threadIdx.x;
unsigned int i = blockIdx.x*blockDim.x + threadIdx.x;
sdata[tid] = g_odata[i];
__syncthreads();
// do reduction in shared mem
for (unsigned int s=1; s < blockDim.x; s *= 2) { …我听说过点对点内存传输并阅读有关它的内容,但无法真正理解这与标准PCI-E总线传输相比有多快.
我有一个使用多个gpu的CUDA应用程序,我可能对P2P传输感兴趣.我的问题是:与PCI-E相比有多快？我可以经常使用它来让两个设备相互通信吗？
NVIDIA Nsight Visual Studio Edition似乎无法同时调试CPU(主机代码)和GPU(cuda代码).使用Nsight Eclipse Edition(或cuda-gdb)这非常简单,例如,您可以从主机执行"介入"到CUDA内核.如何使用Visual Studio做同样的事情？
我在标准C++和CUDA中创建了一些代码,用于在1300x1300灰度图像和15x15内核上进行2D聚合.两个版本:
中央处理器:
#include <iostream>
#include <exception>
#define N 1300
#define K 15
#define K2 ((K - 1) / 2)
template<int mx, int my>
inline int index(int x, int y)
{
return x*my + y;
}
int main() {
double *image = new double[N * N];
double *kernel = new double[K * K];
double *result = new double[N * N];
for (int x=0; x<N; ++x)
for (int y=0; y<N; ++y)
{
double r = 0;
for(int i=0; i<K; ++i)
for(int j=0; …