笔记本电脑安装cuda10.2并使用pycuda、xgboost测试GPU计算效率（附Colab, Kaggle, BaiduAIStudio性能测试对比）

最新推荐文章于 2025-05-08 08:29:02 发布
原创 最新推荐文章于 2025-05-08 08:29:02 发布 · 置顶 · 2.7k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#cuda #深度学习 #机器学习 #GPU计算

硬件配置：

机型：机械革命s1，2018年

CPU：i7-8550U

GPU：Nvidia Geforce MX150（满血版），2G显存

内存：单条16g （自己更换的）

软件信息：

CUDA：v10.2.89

Display Driver：441.66

1. 引言

最近做机器学习，想测试一下自己的顶配轻薄本上的MX150独显，相比cpu和集显来讲，到底能有多少提速。因此就有了这次测试。

2. cuda的安装

按照官网guidance走，十分顺利。由于不是本文的重点，就简单讲下。

Guidance有2个：一个是 Quick Start Guide，另一个是 Cuda Installation Guide for Windows

安装步骤第一步：更新显卡驱动 为441.66；第二步：安装 Microsoft Visual Studio 2019，Community版本即可，安装时记得勾选C++组件，cuda程序编译时会用到，需要大概7GB硬盘空间；第三步：安装 cuda10.2，显卡驱动已经更新过了记得选自定义安装，然后untick显卡驱动Display Driver，还有Geforce Experience也不是必须的那个是打游戏用的，也可以untick。

不过在做之前要注意一下cuda版本和Display Driver版本，以及MSVC的对应关系：Cuda Toolkit Release Notes，根据自己要装的cuda版本，去选择显卡驱动的版本。

3. 性能测试

3.0 理论值

搜索Google可以查到，

i7-8550u自带的集显UHD 620理论算力应该在 430 GFlops 左右，

而

最低0.47元/天 解锁文章

200万优质内容无限畅学
人工智能_大模型072_AI产品部署和交付02_GPT-4o免费评测试用_TPU_GPU云服务价格对比_算力平台_Colab_Kaggle_AutoDL_全球大模型排名---人工智能工作笔记0207
添柴程序猿的专栏
05-16 570
然后如果以chatglm的训练时间为例,对应这么多数据,然后对应的训练时长,可以看到是最多的6个多小时,39333 3万多条训练数据。直接选择用就是,他其实是希望,你使用对比了以后,给他打分,可以看到下面有个打分,让你判断哪个模型更好,这个网站就厉害了,他里面部署了非常多的模型,全球大模型,都部署了,都可以免费使用,可以看到这里可以点击上面的Direct Chat就可以进行选择,模型对话了,点击上面的code,不登录也可以进行一下模型的运行等,非常好用.这个是国内的autoDL平台,也挺好用的,也便宜。
nVIDIA显卡CUDA性能测试工具，可测试nVIDIA显卡的浮点运算性能
12-20
nVIDIA显卡CUDA性能测试工具，可测试nVIDIA显卡的参数，nVIDIA显卡的CUDA浮点运算性能
《GPU高性能编程CUDA实战》中代码整理
热门推荐
网络资源是无限的
05-24 1万+
《GPU高性能编程CUDA实战》中代码整理！
CUDA：out of memory的解决方法（实测有效）
大摆王的博客
05-08 1万+
CUDA out of memory问题通常发生在深度学习训练过程中，当GPU的显存不足以容纳模型、输入数据以及中间计算结果时就会触发。：深度学习模型尤其是大型模型，如Transformer或大型CNN，拥有大量的参数，这些参数在训练时需要被加载到GPU显存中。同时，如果批量大小（batch size）设置得过大，一次性处理的数据量也会增加，进一步加大显存的负担。
cuda 查看gpu性能
mindfusion的博客
03-07 1276
mian.cu #include <stdio.h> #define CHECK(call) \ do \ { ...
nVIDIA显卡CUDA性能测试工具
04-26
nVIDIA显卡CUDA性能测试工具，可测试nVIDIA显卡的浮点运算性能
cuda-z/gpu-z/cpu-z工具分析GPU显卡和CPU算力信息
tugouxp的专栏
02-06 1万+
类似于Windows下使用CPU-Z工具查看CPU信息，Linux下也可以使用CUDA-Z工具来查看显卡资源/支持信息。
【通俗理解】Kaggle vs Colab：云端算力大比拼 —— 免费算力资源详细对比
神经美学_茂森的博客
01-08 1564
核心结论：Kaggle和Colab各有优势，Kaggle在GPU时长和稳定性方面更具优势，而Colab在易用性和灵活性方面表现更好。#算力对比(Computing Power Comparison)#免费计算资源(Free Computing Resources)#云计算平台(Cloud Computing Platform)#深度学习平台(Deep Learning Platform)#GPU资源(GPU Resources)
Google Colab上使用 GPU训练模型
深之JohnChen的专栏
04-04 871
Google Colab 是由 Google 提供的云端 Jupyter Notebook 开发环境，自 2017 年推出以来已成为机器学习、数据科学和教育领域的重要工具‌。
如何在 Colab 12GB-RAM GPU 笔记本上使用 Darknet 训练 YOLOv3 并优化 VM 运行时加载时间.zip
11-26
如何在 Colab 12GB-RAM GPU 笔记本上使用 Darknet 训练 YOLOv3 并优化 VM 运行时加载时间如何在 Colab 12GB-RAM GPU 笔记本上使用 Darknet 训练 YOLOv3 并优化 VM 运行时加载时间此 repo 包含来自博客文章的 Google ...
PyCUDA程序性能测量
taifyang的博客
01-06 667
使用CPU测量的时间也将取决于CPU高精度计时器的可用性，很多时候主机在GPU内核运行时执行异步计算，因此Python 的CPU计时器可能无法为内核执行提供正确的时间。使用record 函数记录调用内核函数前后的时间，并计算时间差得出内核函数的时间，打印在控制台上。我们可以记录两个事件:一个在代码的开头，一个在代码的结尾。创建start和 end两个事件来测量GPU代码的计时，driver类中的Event()函数用于定义事件对象，然后使用get_function创建指向内核函数的指针引用。
Cuda性能测试
04-28
基于VS2013得威cuda的性能测试，比较了不同规模运算时的cpu和gpu的运算时间，gpu在大规模运算更具优势
CudaMAXX--2秒钟检测支持CUDA的Nvidia显卡性能
03-25
2秒钟即可检测支持CUDA的Nvidia显卡性能，精确度极高！ 系统要求： 1.一张板载256MB显存以上的NVIDIA Geforce8或以上显卡 2.至少256MB系统空闲内存 3.Windows Vista或Windows 7系统 4.正确安装Nvidia 190以上显示卡驱动程序
python cuda gpu 高性能运算 代码
11-15
python cuda gpu 高性能运算 代码
测试CUDA是否可用、使用GPU
Larry Chow
07-17 5171
代码】测试CUDA是否可用、使用GPU。
cuda开发矩阵乘法测试你的GPU效率
weixin_34302561的博客
11-06 207
vs2008上创建cuda项目，新建test.cu文件，将如下代码拷贝进去，编译执行，能很清楚地看到GPU跑矩阵乘法和CPU的效率区别。在我的pc机上执行得到如下结果，可见矩阵乘法的GPU效率大概提高了一个数量级（相对应CPU而言）,开发环境VS2008+cuda5.x开发包+GT520M显卡。 程序代码（参考程序员下载程序，进行修改：http://download2.pu...
测试 cuda gpu 一秒钟能launch 多少次 kernel
eloudy的专栏
05-24 612
启动100000次带参数的空 kernel， 总耗时124ms；
cuda性能测试
yu132563的专栏
10-13 4664
我们在编写完CUDA程序后， 还要从性能出发考虑问题，不断优化代码，使执行速度提高是并行处理的唯一目的。      测试代码运行速度有很多方法，C语言里提供了类似于SystemTime()这样的API获得系统时间，然后计算两个事件之间的时长从而完成计时功能。在CUDA中，我们有专门测量设备运行时间的API，下面一一介绍。 翻开编程手册《CUDA_Toolkit_Reference_Manual
CUDA：测量GPU内存复制带宽的实例
希望我的博客，能帮上你解决学习中工作中所遇到的问题
12-21 683
CUDA：测量GPU内存复制带宽的实例
可以不安装CUDA在pycharm上使用GPU跑代码吗
最新发布
06-19
<think>我们正在处理用户的问题：如何在不安装CUDA的情况下，在PyCharm中使用GPU运行代码？根据引用内容，通常使用GPU需要安装CUDA（如引用[2]提到ComputePlatform选择CUDA，引用[4][5]提到安装GPU版本的PyTorch需要CUDA）。但是用户要求不安装CUDA。我们分析引用[3]：它使用了`torch.cuda.is_available()`来检查是否有可用的GPU，并设置device。但前提是已经安装了支持CUDA的PyTorch（即GPU版本）。而安装GPU版本的PyTorch通常需要CUDA环境。然而，有一种可能：PyTorch的GPU版本通常会捆绑一个合适的CUDAToolkit（精简版），所以用户不需要单独安装完整的CUDAToolkit。也就是说，用户只需要安装GPU版本的PyTorch，而不需要单独安装CUDAToolkit。因此，我们可以理解为：用户希望不单独安装CUDAToolkit，但通过安装GPU版本的PyTorch来使用GPU。步骤：1.确保你的电脑有NVIDIAGPU，并且支持CUDA（可以查看NVIDIA控制面板中的系统信息，看CUDA版本，如果没有，则需要更新驱动，因为驱动会包含基本的CUDA驱动，但不需要单独安装CUDAToolkit）。2.在PyCharm中，创建一个项目并设置好Python环境（如使用conda或venv）。3.安装GPU版本的PyTorch。根据引用[5]，我们可以直接下载对应CUDA版本的PyTorch的wheel文件，然后通过pip安装（注意选择与你的Python版本和CUDA驱动版本兼容的wheel）。或者，也可以使用PyTorch官网提供的命令。注意：PyTorch官网提供的安装命令通常已经包含了所需的CUDA库（精简版），所以不需要单独安装CUDAToolkit。例如，从PyTorch官网（https://pytorch.org/）获取安装命令：选择稳定版本，操作系统，包管理器（pip），语言（Python），计算平台（选择与你的显卡驱动兼容的CUDA版本，比如CUDA11.8）。然后运行它给出的命令。比如，引用[5]中的命令（但注意，这个命令是针对特定版本的，而且需要根据实际情况调整）：pipinstalltorchtorchvisiontorchaudio--index-urlhttps://download.pytorch.org/whl/cu118或者使用清华源加速（如引用[5]中使用的）：pipinstalltorchtorchvisiontorchaudio--index-urlhttps://download.pytorch.org/whl/cu118-ihttps://pypi.tuna.tsinghua.edu.cn/simple4.在代码中，通过以下方式检查是否可以使用GPU：importtorchdevice=torch.device('cuda'iftorch.cuda.is_available()else'cpu')print(device)5.如果打印出'cuda'，说明可以使用GPU。但是，如果不安装CUDAToolkit（指不单独安装NVIDIA官方的完整CUDAToolkit），那么PyTorch的GPU版本是否能够运行？答案是：只要你的显卡驱动是足够新的（通常需要支持对应CUDA版本的驱动），那么PyTorch自带的CUDA库就可以工作。因此，用户不需要单独安装CUDAToolkit，但需要确保有NVIDIA的显卡驱动，并且驱动版本支持PyTorch所需的CUDA版本。总结步骤：-更新NVIDIA显卡驱动（建议到最新，或至少支持所需的CUDA版本）。-在PyCharm的项目环境中，使用pip（或conda）安装GPU版本的PyTorch（选择与驱动兼容的CUDA版本）。-在代码中设置使用GPU。注意：如果不安装完整的CUDAToolkit，那么你将不能使用nvcc等CUDA编译器，也不能使用CUDASamples等。但对于PyTorch来说，它不需要这些，只需要动态链接库。引用[4]中也提到，可以通过conda安装GPU版本的PyTorch，命令如：condainstallpytorchtorchvisiontorchaudiopytorch-cuda=11.8-cpytorch-cnvidia这也是不需要单独安装CUDAToolkit的，因为conda会安装必要的cudatoolkit库（这个库是CUDAToolkit的精简版，只包含运行所需的库，不包含开发工具）。因此，我们有两种方法（无需单独安装CUDAToolkit）：方法1（推荐）：使用conda安装（如果使用conda环境）方法2：使用pip安装（根据PyTorch官网提供的命令）最后，用户可以在PyCharm中运行代码，通过打印device来确认是否成功使用GPU。注意：如果用户没有NVIDIAGPU，或者显卡驱动太旧，那么即使安装了GPU版本的PyTorch，也无法使用GPU。此时，只能使用CPU。因此，我们回答如下：</think>### 在PyCharm中不安装CUDA使用GPU运行代码的方法 要在不单独安装CUDA Toolkit的情况下使用GPU运行PyTorch代码，可以通过以下步骤实现： #### 核心原理 PyTorch的GPU版本**已内置精简版CUDA运行库**，只要满足： 1. 设备有NVIDIA GPU 2. 已安装兼容的GPU驱动 3. 安装正确的GPU版PyTorch 无需单独安装完整的CUDA Toolkit[^2][^5] --- ### 具体步骤 #### 1. 验证GPU兼容性 在终端执行： ```python import torch print("GPU可用:", torch.cuda.is_available()) # 返回True则支持 print("GPU型号:", torch.cuda.get_device_name(0)) ``` #### 2. 安装GPU版PyTorch 在PyCharm终端执行（根据Python版本调整）： ```bash # 适用于Python 3.9 + CUDA 11.8 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 ``` - 关键参数：`cu118` 表示CUDA 11.8版本[^5] - 查看最新版本：[PyTorch官网](https://pytorch.org/) #### 3. 代码中指定GPU ```python import torch # 自动检测GPU device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') print(f"使用设备: {device}") # 将模型和数据转移到GPU model = YourModel().to(device) data = data.to(device) ``` #### 4. 验证GPU使用 运行包含以下监控代码： ```python # 监控GPU使用情况 print(torch.cuda.memory_allocated(device=device)) # 显存占用量 print(torch.cuda.memory_reserved(device=device)) # 缓存显存量 ``` --- ### 注意事项 1. **驱动要求**： - NVIDIA驱动版本需 ≥ 450.80.02（CUDA 11.0+） - 通过`nvidia-smi`命令检查驱动版本 2. **环境隔离**： ```bash conda create -n gpu_env python=3.9 # 创建独立环境 conda activate gpu_env ``` 3. **常见问题处理**： - 出现`CUDA not available`：更新NVIDIA驱动 - 出现`torch.cuda.OutOfMemoryError`：减小batch size - 使用清华源加速安装：添加 `-i https://pypi.tuna.tsinghua.edu.cn/simple`[^5] --- ### 备选方案：云GPU服务 若本地GPU不满足要求： 1. Google Colab：提供免费GPU资源 2. AWS/Azure：按需付费的GPU实例 3. Lambda Labs：专为深度学习优化的GPU云 > **重要提示**：此方法仅适用于PyTorch/TensorFlow等框架。若需编译CUDA C++代码，仍需完整安装CUDA Toolkit[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值