成功解决\torch\cuda_init_.py“, line 239,AssertionError(“Torch not compiled with CUDA enabled“)_cuda initalization faiture with error 34

成功解决\torch\cuda_init_.py", line 239, in _lazy_init  raise AssertionError("Torch not compiled with CUDA enabled")

目录

解决问题

解决思路

解决方法

步骤 1: 检查是否安装了 CUDA 支持的 PyTorch

步骤 2: 安装支持 CUDA 的 PyTorch

(1)、安装CUDA、CUDA Toolkit 、cuDNN：如果电脑已经安装CUDA，此步骤可跳过

DL之IDE：深度学习环境安装之CUDA的简介(显卡GPU/驱动/CUDA间的关系)、安装(根据本地电脑的NVIDIA显卡驱动版本去正确匹配CUDA版本)之详细攻略

DL之IDE：深度学习环境安装之Tensorflow/tensorflow_gpu+Cuda+Cudnn(最清楚/最快捷)之详细攻略(图文教程)

(2)、检查本地电脑上的CUDA版本，可知为cuda_12.1

(3)、分析原因：如果本地电脑已经安装CUDA并且也已经安装PyTorch，可知是两者版本未能正确匹配导致！

(4)、安装支持 对应本地电脑CUDA版本 的 PyTorch

DL之IDE：深度学习GPU环境安装之torch版本和CUDA版本匹配列表、利用Pytorch查看自己电脑上CUDA版本、基于CUDA版本安装torch命令行详解之详细攻略

---

解决问题

\torch\cuda_init_.py", line 239, in _lazy_init raise AssertionError("Torch not compiled with CUDA enabled")

解决思路

为了在 GPU 上运行代码，你需要确保以下几点：

1. CUDA 支持的 PyTorch 版本： 你必须安装一个支持 CUDA 的 PyTorch 版本。安装时，可以选择带有 CUDA 的版本。

2. 正确安装 CUDA 和 cuDNN： 你的计算机上需要安装 CUDA Toolkit 和 cuDNN，这些库可以从 NVIDIA 的官方网站下载。

3. 确保 CUDA 驱动正确安装和配置： 确保你的 GPU 驱动程序支持当前的 CUDA 版本，并且在路径中正确配置了 CUDA 环境。

解决方法

步骤 1: 检查是否安装了 CUDA 支持的 PyTorch

你可以在 Python 环境中运行以下命令，来检查当前 PyTorch 是否支持 CUDA：如果返回 True，表示当前环境支持 CUDA；如果返回 False，你需要重新安装支持 CUDA 的 PyTorch。

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

步骤 2: 安装支持 CUDA 的 PyTorch

(1)、安装CUDA、CUDA Toolkit 、cuDNN：如果电脑已经安装CUDA，此步骤可跳过

DL之IDE：深度学习环境安装之CUDA的简介(显卡GPU/驱动/CUDA间的关系)、安装(根据本地电脑的NVIDIA显卡驱动版本去正确匹配CUDA版本)之详细攻略

DL之IDE：深度学习环境安装之CUDA的简介(显卡GPU/驱动/CUDA间的关系)、安装(根据本地电脑的NVIDIA显卡驱动版本去正确匹配CUDA版本)之详细攻略_cuda版本和显卡关系-CSDN博客

DL之IDE：深度学习环境安装之Tensorflow/tensorflow_gpu+Cuda+Cudnn(最清楚/最快捷)之详细攻略(图文教程)

https://yunyaniu.blog.csdn.net/article/details/79117569

安装完成后，确保将 CUDA 的 bin 目录添加到系统的 PATH 中。例如：

set PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin;%PATH%

注意：在 Windows 系统中，CUDA 安装程序通常会自动设置环境变量。你可以通过查看系统的环境变量设置来确认是否已正确配置。

(2)、检查本地电脑上的CUDA版本，可知为cuda_12.1

nvcc --version

C:\Users\99386>nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Mon_Apr__3_17:36:15_Pacific_Daylight_Time_2023
Cuda compilation tools, release 12.1, V12.1.105
Build cuda_12.1.r12.1/compiler.32688072_0

(3)、分析原因：如果本地电脑已经安装CUDA并且也已经安装PyTorch，可知是两者版本未能正确匹配导致！

如果你运行torch.cuda.is_available()代码输出为 False，并且你安装过的PyTorch 版本摘要中提到支持 GPU 加速，那么，可能的原因有几种：

1. CUDA 版本兼容性问题：你的系统上可能没有正确安装或配置 CUDA。PyTorch 需要与正确版本的 CUDA 驱动程序和 CUDA 工具包配合使用才能在 GPU 上运行。如果 CUDA 没有正确安装或者不兼容当前的 PyTorch 版本，torch.cuda.is_available() 将返回 False。

2. PyTorch 版本问题：虽然 PyTorch 本身支持 GPU 加速，但不同版本的 PyTorch 对 CUDA 的要求和支持程度可能不同。如果你的 PyTorch 版本与当前 CUDA 版本不兼容，或者 PyTorch 的构建未包含 CUDA 支持，也会导致 torch.cuda.is_available() 返回 False。

3. 系统环境问题：有时候，即使 CUDA 正确安装并配置了，系统的环境变量或其他配置问题也可能导致 PyTorch 无法正确识别 CUDA。这种情况下，即使 CUDA 可以工作，PyTorch 也可能返回 False。

针对这些问题，可以考虑以下解决方法：

• 检查 CUDA 和 CuDNN 安装：确保已正确安装和配置了与当前 PyTorch 版本兼容的 CUDA 和 CuDNN 版本。

• 更新或重新安装 PyTorch：尝试更新到最新版本的 PyTorch，并确保根据官方文档正确安装 CUDA 和 CuDNN。

• 检查环境变量：确保系统环境变量中正确设置了 CUDA 相关路径。

(4)、安装支持 对应本地电脑CUDA版本 的 PyTorch

DL之IDE：深度学习GPU环境安装之torch版本和CUDA版本匹配列表、利用Pytorch查看自己电脑上CUDA版本、基于CUDA版本安装torch命令行详解之详细攻略

https://yunyaniu.blog.csdn.net/article/details/108290879

T1、采用conda安装
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
 
 
T2、采用pip安装
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

进行版本匹配后，成功运行！