配置深度学习项目环境，Linux服务器torch.cuda.is_available()返回False

本文主要介绍了完美解决，anaconda配置新的深度学习环境时torch.cuda.is_available()一直返回False的玄学方法，具有很好的参考价值。

1.配置新的项目环境的环境

首先创建一个新环境，防止环境被污染。

conda env list //查看所有conda环境
conda create -n your_env_name python=X.X #创建一个环境
source activate your_env_name //启动虚拟环境
conda install -n your_env_name [package] //在虚拟环境中安装依赖包
source deactivate //关闭conda环境
conda remove -n your_env_name(虚拟环境名称) --all //删除conda虚拟环境
conda remove --name your_env_name package_name //删除conda虚拟环境中的依赖
进入自己的环境以后，安装相应的包：如pytorch包等
pip install -r requirements.txt

2.  解决PyTorch与CUDA版本不匹配的问题

表一：CUDA驱动及CUDA Toolkit最高对应版本

 驱动是向下兼容的，其决定了可安装的CUDA Toolkit的最高版本。

表二：CUDA Toolkit版本及可用PyTorch对应关系

 虽有的卡驱动更新至较新版本，且CUDA Toolkit及PyTorch也可对应更新至新版本。但有的对应安装包无法使用，有可能是由于卡太旧的原因。

3. Pytorch安装指导

3.1 使用nvidia-smi查询驱动版本

 如图中Driver Version所示，该卡目前的驱动版本为450.1

 3.2 安装CUDA Toolkit以及PyTorch

查表选择合适的pytorch和cuda版本

conda install pytorch=1.7.0 torchvision torchaudio cudatoolkit=10.1
//此行代码就是pytorch官网上生成的，加了具体版本号，

3.3 验证安装是否成功

#使用python运行 python
import torch
print(torch.__version__)
print(torch.cuda.is_available())

#退出Python环境 quit（）

检查PyTorch版本

torch.version # PyTorch version
torch.version.cuda # Corresponding CUDA version
torch.backends.cudnn.version() # Corresponding cuDNN version
torch.cuda.get_device_name(0) # GPU type