error `nvcc fatal : Unsupported gpu architecture ‘compute_80‘ ninja: build stopped: subcommand fai

最新推荐文章于 2025-01-05 10:56:18 发布

原创

最新推荐文章于 2025-01-05 10:56:18 发布 · 6.1k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #深度学习 #caffe

本文介绍了解决在安装代码setup.py过程中遇到的“Unsupported gpu architecture”错误的方法。此错误源于代码中指定的GPU架构高于本机GPU的实际算力。文章提供了具体的修改建议，并附带了相关代码。

问题：

Error/问题

nvcc fatal   : Unsupported gpu architecture 'compute_80'
ninja: build stopped: subcommand failed.

解决方案

在安装一个代码 setup.py (见下面的代码)里的时，会出现以上报错. 这里是因为，代码与gpu算力不匹配的原因。对于本机2080ti, 其最高算力为7.5, 故不支持compute_80(算力8.0), compute_86（算力8.6）,解决办法就是把对应两行注释掉就可以了。
关于，gpu算力，可以参考：https://blog.youkuaiyun.com/chengxy1998/article/details/121924208?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2_{aggregatepage}first_rank_ecpm_v1~rank_v31_ecpm-2-121924208.pc_agg_new_rank&utm_term=GPU%E7%AE%97%E5%8A%9B%E9%97%AE%E9%A2%98&spm=1000.2123.3001.4430

setup(
    name='droid_backends',
    ext_modules=[<

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

彬-

关注关注

6
点赞
踩
10

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

【已解决】PCL配置中出现：nvcc fatal : Unsupported gpu architecture ‘compute_30‘

kanbarakun的博客

02-26

3711

我的CUDA编译器nvcc不支持compute_30这个GPU架构，这个GPU架构较老，不符合应该有的算力设置，与CUDA版本不兼容。我的显卡是GeForce GTX 1660 Ti，对应7.5，那么我需要设置的架构就是compute_75。1.修改PCL中关于CUDA的代码，找到“compute_30”的部分修改成你对应的架构或者注释掉。在原本的语句后加入：-DCUDA_ARCH_BIN=“XX”，其中XX即为步骤一中得到的数。2.降级CUDA版本，如果你的项目必须使用这种较老的架构的话。

nvcc fatal : Unsupported gpu architecture ‘compute_‘

不知语冰

12-06

5461

我是编译darknet ros时遇到的,错误原因是显卡算力不对应在CMakeList中有如下: set( CUDA_NVCC_FLAGS ${CUDA_NVCC_FLAGS}; -O3 -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_50,code=[sm_50,compute_50] -gencode ar

1 条评论您还未登录，请先登录后发表或查看评论

apollo中docker编译时出现Unsupported gpu architecture ‘compute_89‘的解决方案（时间2023.11.6的apollo镜像最新版本）

weixin_46919783的博客

11-06

1317

就能看到如下图所示的画面（大概在224行左右），将其改成目前支持的架构，如下图所示。在vim常规模式下在键盘上输入/arch，然后enter。查看目前支持哪些架构的命令。

Debug：nvcc fatal: Unsupported gpu architecture ‘compute_86‘； sm_86 is not compatible with Pytorch

qq_41035283的博客

05-13

2597

Debug：nvcc fatal: Unsupported gpu architecture 'compute_86' 问题描述1 编译knn_cuda时，报了个错： nvcc fatal : Unsupported gpu architecture ‘compute_86‘ 意思是显卡算力太高，安装的cuda版本不支持（竟然还有这么神奇的错误），compute_86指显卡计算能力是8.6，RTX 30系，A系显卡都是这个算力。解决方法通过系统环境变量设置降低算力： export TORCH_CUDA

安装cuda11成功后，编译算例报错：nvcc fatal : Unsupported gpu architecture ‘compute_80‘

u010674979的博客

06-04

5178

安装cuda11成功后，编译算例报错：nvcc fatal : Unsupported gpu architecture ‘compute_80’ **报错原因：**显卡计算能力不支持80 **解决方法：**找到编译的算例的文件夹下面对应的makefile文件，使用gedit打开，找到SMS行，注视掉80或者直接删除80。保存退出后重新编辑即可通过。 ...

解决问题使用nvcc fatal : Unsupported gpu architecture ‘compute_75‘

牛肉胡辣汤

11-29

2824

如果发现当前的 CUDA 版本不支持你的 GPU 架构，那么你需要更新 CUDA 到一个支持你的 GPU 架构的版本。首先，你需要卸载当前的 CUDA 版本。不同版本的 CUDA 支持不同的 GPU 架构，如果 GPU 架构超出了 CUDA 版本的支持范围，就会出现这个错误。然后，你可以查阅 NVIDIA 官方文档，找到该版本所支持的 GPU 架构，并确认你的 GPU 是否在支持列表中。请注意，这种做法可能会导致生成的代码不能充分利用 GPU 的性能和特性，因为它们是为支持的 GPU 架构进行了优化的。

【解决30、40系列显卡使用mmrotate出现nvcc fatal: Unsupported gpu architecture ‘compute_86‘及size mismatch报错】

weixin_44495772的博客

08-25

763

Facebook在2021年推出了pytorch1.8.0版本，而英伟达第一个型号的40系列显卡是在22年发布，因此需要更高的torch版本来支持更高版本的sm_86架构（即更高版本的cuda）。主要原因是mmrotate教程推荐的pytorch版本太低，因此需要保证当前使用的torch。和cuda版本适配30、40系列的显卡，而mmcv也必须重新安装适配torch的版本。

nvcc fatal : Unsupported gpu architecture ‘compute_86‘ CMake Error at Memory_Transfer_generated_me

ZhengrongYue的博客

11-24

3276

nvcc fatal : Unsupported gpu architecture 'compute_86' CMake Error at Memory_Transfer_generated_me

问题解决：nvcc fatal : Unsupported gpu architecture ‘compute_75‘

热门推荐

Kobaayyy的博客

12-07

1万+

问题解决：nvcc fatal : Unsupported gpu architecture 'compute_75'前言问题描述问题分析问题解决参考前言问题描述问题分析问题解决参考

nvcc fatal：Unsupported gpu architecture ‘compute_89‘

m0_37937789的博客

05-11

2738

nvcc fatal: Unsupported gpu architecture 'compute_89'

darknet_ros编译时出现nvcc fatal : Unsupported gpu architecture ‘compute_30‘

wtlll的博客

05-07

701

今天在ros中编译包的时候出现下图的错误。

【异常错误】RTX 4090 nvcc fatal : Unsupported gpu architecture ‘compute_89‘

Drug discovery

04-17

7759

原因是conda环境下cuda编译器nvcc不支持compute_89导致安装失败，运行项目的requirement.txt安装环境往往会默认安装低版本的cuda环境。如果没有compute_89（nvcc --version版本是11.5或者以下），就需要重新安装cuda和nvcc。如果nvcc目录不是/usr/local/cuda-12.2 ，需要重新配置，先备份下原环境，然后重新配置。安装完成后，可以查看cuda 12.2版本安装位置。一般在/usr/local/cuda-12.2下。

nvcc fatal : Unsupported gpu architecture ‘compute_37‘解决

AmbitiousTyj的博客

06-26

584

先检查ninja是否安装好了，安装好了还报以上错误再试下面的方法。打开pointnet2_ops_lib中的setup.py文件。将这个3.7+PTX删了，再安装就好了。在安装Pointnet2时遇到报错，

nvcc fatal : Unsupported gpu architecture ‘compute_

天下对手教会少林武僧

02-27

697

编译 tiny-cuda-nn 遇到的问题。更改cmake版本3.18.0。gcc11降到gcc7问题解决。报错 GNU version。

【Bug解决】nvcc fatal : Unsupported gpu architecture ‘compute_86‘

weixin_44001371的博客

11-13

1835

GPU 3090 硬件能够支持的算力比较高，能达到 8.6，而当前 CUDA 11.1 不支持算力 8.6。注：感觉该环境变量会有点问题，运行完代码又改回去了。

caffe编译报错“nvcc fatal : Unsupported gpu architecture ‘compute_86‘”

qq_41466376的博客

03-31

2525

简单记录，有点乱

nvcc fatal : Unsupported gpu architecture ‘compute_86‘

sinat_24424445的博客

01-01

449

编译报错 nvcc fatal : Unsupported gpu architecture ‘compute_86’

[Caffe] - No.1 nvcc fatal : Unsupported gpu architecture 'compute_20'

TJU YanMing

02-03

5768

编译Caffe出现以下错误： nvcc fatal : Unsupported gpu architecture 'compute_20' 解决方法： CUDA_ARCH := #-gencode arch=compute_20,code=sm_20 \ #-gencode arch=compute_20,code=sm_21 \ -ge

nvcc fatal: Unsupported gpu architecture ‘compute_75‘

最新发布

诺有缸的高飞鸟的博客

01-05

1034

编译colmap 3.8时报错nvcc fatal: Unsupported gpu architecture 'compute_75'

编译DCNv2 nvcc fatal : Unsupported gpu architecture 'compute_86'

12-27

### 编译 DCNv2 时遇到 `nvcc` 不支持 GPU 架构 `'compute_86'` 的解决方案当尝试编译带有特定 CUDA 版本的项目如 DCNv2 并遭遇 `nvcc fatal : Unsupported gpu architecture 'compute_86'` 错误时，这通常意味着当前使用的 NVIDIA 编译器工具链版本不兼容所指定的目标架构。 #### 修改 Makefile 或 CMakeLists.txt 文件对于此类问题的一个常见修复措施是在项目的构建配置文件中调整目标计算能力设置。具体来说，在 `Makefile` 或者 `CMakeLists.txt` 中找到定义 CUDA 架构的地方，并将其更改为与本地环境相匹配的支持版本： ```makefile CUDA_ARCH := -gencode arch=compute_35,code=sm_35 \ -gencode arch=compute_50,code=sm_50 \ -gencode arch=compute_60,code=sm_60 \ -gencode arch=compute_70,code=sm_70 \ -gencode arch=compute_75,code=sm_75 \ -gencode arch=compute_80,code=sm_80 \ -gencode arch=compute_86,code=sm_86 # 移除或注释掉这一行 ``` 如果使用的是较新的 CUDA 工具包，则可能需要移除或修改上述代码片段中的最后一行，因为并非所有的 CUDA 发布版都支持最新的 GPU 架构[^1]。 #### 更新 CUDA 安装路径另一个潜在的原因可能是由于系统上的 CUDA 路径配置不当引起的。确认 `.bashrc` 和其他 shell 配置文件里关于 CUDA 的环境变量指向了正确的安装位置。例如： ```shell export PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64\ ${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} ``` 确保这些路径确实对应于已安装的 CUDA 版本，并且该版本能够识别并处理所需的目标架构[^4]。 #### 使用合适的 PyTorch 及其依赖库版本考虑到不同版本之间的兼容性差异，建议检查正在使用的 Python、PyTorch 和 CUDA 组合是否相互兼容。特别是对于深度学习框架而言，某些预编译二进制文件可能会针对特定硬件特性进行优化，因此选择适当组合非常重要[^5]。通过以上方法应该可以有效解决因 `nvcc` 不支持某一代号为 `compute_86` 的 GPU 架构而导致的编译失败问题。