小蜗Leon的博客

摘要： 查看CUDA版本可通过以下方法： 命令行：nvcc --version或nvidia-smi（显示驱动支持的最高版本）。 Linux符号链接：检查/usr/local/cuda指向的目录。 PyTorch：torch.version.cuda获取框架使用的版本。 RTX 4090配置建议： CUDA：推荐11.7+，确保兼容新显卡特性。 PyTorch：匹配CUDA版本（如2.0.0+），通过官方命令或国内镜像安装。需提前更新NVIDIA驱动。

RTX 4090 未正确安装与 PyTorch 兼容的 CUDA 版本可能导致性能问题。首先，通过 torch.version.cuda 查询 PyTorch 绑定的 CUDA 版本，确保与系统安装的 CUDA Toolkit 一致。使用 nvidia-smi 检查驱动支持的 CUDA 版本，确保其不低于 PyTorch 所需版本。若版本不匹配，需卸载并重新安装指定 CUDA 版本的 PyTorch。多 CUDA 版本共存时，通过环境变量调整优先级。验证安装后，确保 torch.cuda.is_availa

【代码】torch返回所有最大值索引。

虽然从理论上讲，由于PyTorch采用行优先存储，按行进行操作（比如对每行求和、应用激活函数等）可以更高效地利用缓存，从而潜在地提供更好的性能。然而，在实践中，除非你的应用程序特别敏感于内存访问模式，否则这种差异可能不会特别显著。更重要的是选择适合你应用场景的最佳算法和数据结构。如果你发现性能瓶颈确实与内存访问模式有关，那么调整操作的方向（行 vs 列）可能会带来一定的性能提升。

【代码】LSTM的使用。

【代码】深度学习CNN网络，MNIST数据分类。

【代码】BatchNorm和Dropout的使用。

【代码】几个优化器的使用SGD,Momentum,RMSprop,AdaGrad,Adam。

【代码】pytorch一般神经网络的代码。