cuda安装教cudnn安装显卡问题_cuda could not create file chrome-优快云博客

本文详细介绍了CUDA和PyTorch的安装过程，包括解决常见错误的方法，如CUDA安装报错、显卡驱动适配问题以及如何在Python环境中正确配置GPU设备。此外，还提供了设置GPU显存使用比例和按需分配显存的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

20220101

https://www.cnblogs.com/zucc-31701019/p/14665855.html
CUDA 安装报错 could not create file “…\chrome_elf.dll”
关闭360

20210617

https://blog.youkuaiyun.com/weixin_43486780/article/details/108664978
pytorch 1.6 cuda 10 显卡安装

20210607

https://blog.youkuaiyun.com/iLOVEJohnny/article/details/106021547
https://blog.youkuaiyun.com/wuzhongqiang/article/details/108881845
pytorch 利用 gpu运行模型

device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)
model.to(device)

https://www.jianshu.com/p/03b092454202
https://blog.youkuaiyun.com/weixin_41041772/article/details/109805687
显卡命令

20210110

显卡使用限制
指定多块GPU的方式和前文完全一致，只需要多写几个编号即可：

import os
os.environ["CUDA_VISIBLE_DEVICES"] =  "0, 2"
Part 3. 控制GPU显存使用比例

import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
set_session(tf.Session(config=config))

Part 5. 显存的按需分配（动态增长）
如果并不清楚自己的应用分配多少的显存比例合适，可以使用按需分配的方式，也就是动态增长allow_growth：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
set_session(tf.Session(config=config))

加粗样式

20210106

np.random.seed(123)
tf.set_random_seed(123)
config = tf.ConfigProto(inter_op_parallelism_threads=1)
config.gpu_options.per_process_gpu_memory_fraction = 1 # in my case this setting will use around 1G memory on GPU
set_session(tf.Session(config=config))

显卡使用量配置

20201228

windows 释放显存

taskkill -pid 123 -f
帮助里面的 /PID 斜杠其实是横杠

释放显卡显存
fuser -v /dev/nvidia* #查找占用GPU资源的PID
然后我们执行：
kill -9 pid
然后再执行nvidia-smi就可以看到内存已经被释放了

20201225

在这里插入图片描述
自己的电脑,cudnn 7.6 能适配 tensorflow 12.3 gpu

Process finished with exit code -1073740791 (0xC0000409)
显卡运行时候报这种错误一般都是显存溢出

在这里插入图片描述

显卡路径

在这里插入图片描述
nvidia 设置

在这里插入图片描述
显卡运行进程查看

20201224

虚拟环境用的是系统环境的显卡环境无须单独为虚拟环境配置显卡
在这里插入图片描述
TF 和 cuda 版本对应问题
from tensorflow.python._pywrap_tensorflow_internal import *
ImportError: DLL load failed: 找不到指定的模块。
解决方案在上面

20201223

https://blog.youkuaiyun.com/qq_27825451/article/details/89082978
https://tensorflow.google.cn/install/source_windows
tensorflow 与显卡对应关系

https://blog.youkuaiyun.com/kyle1314608/article/details/111573317
虚拟环境 tensorflow gpu

我的小米笔记本显卡驱动
G:\显卡驱动

20201125

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
https://blog.youkuaiyun.com/kyle1314608/article/details/110128025
显卡对应版本查看

20200702

CUDA error: device-side assert triggered

Assertion t >= 0 && t n classes failed

报以上两个问题的原因是加载了上一次的模型,而上一次的模型有些数据
没有在现在数据中存在所以报类别没出现的问题

20200619

RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is Fal
在这里插入图片描述
https://blog.youkuaiyun.com/quantum7/article/details/89333293

设置os.environ[‘CUDA_VISIBLE_DEVICES’]=‘1‘ 不生效

在这里插入图片描述
https://blog.youkuaiyun.com/zhouxiaowei1120/article/details/104131602

20200516

解决ubantu下：RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED
https://blog.youkuaiyun.com/yepeng_xinxian/article/details/95519152

如果没装cudnn或者版本错误会报上面的问题

device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’)
如果前面的cuda 写成了cpu 会报下面的错误
RuntimeError: Input and parameter tensors are not at the same device, found input tensor at cpu and parameter tensor at cuda:0

在这里插入图片描述