前言

​ 由于兼容性问题，使得我们若想用较新版本的 PyTorch，通过 GPU 方式训练模型，也得更换较新版本得 CUDA 工具包。然而 CUDA 的版本又与电脑显卡的驱动程序版本关联，如果是低版本的显卡驱动程序安装 CUDA11 及以上肯定会失败。

​ 比如 GTX750Ti 或 GTX1050Ti，出厂的驱动程序版本在 450 以下，也就只能装 CUDA9 和 CUDA10 之类的版本。那么有什么方法用前面这两种显卡安装 CUDA11 以上的版本呢？下面就通过更新显卡驱动程序来完成这一任务，其中包括查看版本，各种版本的关联，如何下载安装等白话文方式演示。

查看显卡驱动版本

​ 这里 强调一下，要安装 CUDA 的条件是电脑有独立显卡，并且显卡是英伟达也就是 N 卡。保证这一点我们可以通过桌面右键进入 “NVIDIA 控制面板” 和 "nvidia-smi.exe" 命令的两种方式查看显卡的驱动程序版本号。

NVIDIA 控制面板

​ 点击 “系统信息”，其中 “显示” 下的 “项目” 就是显卡型号，“细节” 里主要查看 “驱动程序版本” 和 “驱动器类型”，后面要根据显卡型号和驱动器类型下载新版本的驱动程序。也可以在 “组件” 的 “3D 设置” 下查看 “NVCUDA64.DLL”，这就是当前驱动支持的 CUDA 最大版本。

NVIDIA-SMI

​ 这个英伟达显卡在 Windows 下的一个监控工具，通过 cmd 可以不仅可以查看当前显卡的基本信息，也能查看 GPU 实时的运行情况。通过 cmd 输入 “nvidia-smi” 查看最新信息， "nvidia-smi -l 2" 查看实时信息 (2 就是 2 秒刷新一次)，工具的参数上面图片有简单标注。

如果 cmd 输入后找不到该命令，需要把 “C:\Program Files\NVIDIA Corporation\NVSMI” (监控工具默认位置) 添加到 "path" 的环境变量中。

显卡驱动下载

​ 可以进入英伟达网站 www.nvidia.com/Download/Find.aspx?lang=en-us，选择显卡型号，特别注意 "Windows Driver Type"，这个就是上面查看的 “驱动器类型”。一般以前出厂 windows10 电脑都是 Standard，切记一定要根据驱动器类型下载，不然后面安装显卡驱动会报以下错误。

This DCH driver package is not compatible with the currently installed version of Windows. This system is configured to require a Standard driver package. The correct driver can be downloaded from by selecting the "Standard" option under the "Windows Driver Type" menu. 

​ 从上面 GTX 750 Ti 的标准类型搜索结果看，最新的版本是 472.12，而 DCH 有 500 以上的更新的版本。如果一定要用相当新的版本，官网也提供了将标准驱动类型修改为 DCH 的，但 win 系统版本有一个限制，具体可以在网上查找这里看以后再更新说明。不过呢 472 的驱动程序版本其实完全够用，可以搭配最大支持 CUDA11.0 到 CUDA12.0 之间的版本，也就意味着我们可以用 1.10 上下的 pytorch 的 cu 版本，现在最新也才 2 点几，像之前火热的 AI 绘画 "stable diffusion" 和 AI 音色克隆 “so-vits-svc” 就可以搭起来跑了。

CUDA 下载

​ 已经更新完显卡驱动程序后，再重复前面查看版本号方式。看到驱动程序版本号和最大支持 CUDA 版本，记录下来。然后进入官网的 CUDA Release Notes，也可以查看到驱动程序版本与各种 CUDA 版本的对应关系。

上面的 “CUDA Toolkit” 下 CUDA 11.4 有五个版本，其中带 Update 的是正式版发布后的迭代版本，依次是 11.4.1 一直到 11.4.4，最右边就是 WIN 的最低驱动程序版本。根据我们查询的 472.12，当然 Updae4 也可以，最好按他们要求选 11.4.2 或以下。然后进入英伟达开发者网 developer.nvidia.com/cuda-toolkit-archive，选择后下载，以及 CUDNN 也要下载再依次安装。（这个在前面文章有介绍此处就略过了）

PyTorch 版本下载

​ 前面把 CUDA 和 CUDNN 安装配置好之后，环境变量会自动添加，然后通过 cmd 输入 “nvcc -V” 查看 到 CUDA 的版本表示安装无误，接着就是去 download.pytorch.org/whl/torch_stable.html 查看 CUDA 与 pytorch 对应版本了，也可以直接下载 whl。cu 表 CUDA 版本，cpu 表 CPU 版本，由于没有 11.4 的我们可以选择 cu113 的搜索，然后挑选系统版本，Python 版本。

后面如果需要 torchaudio、torchtext 等库，也一定要找相对应版本的，不然不是无法用 gpu 运行就是版本不兼容，pip 自动把 torch 调高或调低，甚至直接改成 cpu 版，而有时候就只是一个小版本都不支持，这一点很恼火。

GPU 运行

​ 驱动、工具包、依赖库等一切准备好后，在项目运行前，可以通过以下代码检测一下 gpu 是否可用。其实这里想说一下，我感觉是在小模型训练时，GPU 加速并没有比 CPU 快多少，但是有一个好处。如果是用 CPU 做训练，跑起来后配置一般的电脑可能就动不了。而如果丢给 GPU，负载就给到他了，我可以再继续调其他代码或放放音乐啥，只要不玩游戏或做什么 3D 预览渲染啥的。

import torch
print(torch.cuda.is_available())print(torch.__version__)exit()