如何使用 GTX750 或 1050 顯卡安裝 CUDA11

前言

由于兼容性問題，使得我們若想用較新版本的 PyTorch，通過 GPU 方式訓練模型，也得更換較新版本得 CUDA 工具包。然而 CUDA 的版本又與電腦顯卡的驅動程序版本關聯，如果是低版本的顯卡驅動程序安裝 CUDA11 及以上肯定會失敗。

比如 GTX750Ti 或 GTX1050Ti，出廠的驅動程序版本在 450 以下，也就只能裝 CUDA9 和 CUDA10 之類的版本。那么有什么方法用前面這兩種顯卡安裝 CUDA11 以上的版本呢？下面就通過更新顯卡驅動程序來完成這一任務，其中包括查看版本，各種版本的關聯，如何下載安裝等白話文方式演示。

查看顯卡驅動版本

這里 強調一下，要安裝 CUDA 的條件是電腦有獨立顯卡，并且顯卡是英偉達也就是 N 卡。保證這一點我們可以通過桌面右鍵進入 “NVIDIA 控制面板” 和 'nvidia-smi.exe' 命令的兩種方式查看顯卡的驅動程序版本號。

NVIDIA 控制面板

點擊 “系統信息”，其中 “顯示” 下的 “項目” 就是顯卡型號，“細節” 里主要查看 “驅動程序版本” 和 “驅動器類型”，后面要根據顯卡型號和驅動器類型下載新版本的驅動程序。也可以在 “組件” 的 “3D 設置” 下查看 “NVCUDA64.DLL”，這就是當前驅動支持的 CUDA 最大版本。

NVIDIA-SMI

這個英偉達顯卡在 Windows 下的一個監控工具，通過 cmd 可以不僅可以查看當前顯卡的基本信息，也能查看 GPU 實時的運行情況。通過 cmd 輸入 “nvidia-smi” 查看最新信息， 'nvidia-smi -l 2' 查看實時信息 (2 就是 2 秒刷新一次)，工具的參數上面圖片有簡單標注。

如果 cmd 輸入后找不到該命令，需要把 “C:\Program Files\NVIDIA Corporation\NVSMI” (監控工具默認位置) 添加到 'path' 的環境變量中。

顯卡驅動下載

可以進入**達網站，選擇顯卡型號，特別注意 'Windows Driver Type'，這個就是上面查看的 “驅動器類型”。一般以前出廠 windows10 電腦都是 Standard，切記一定要根據驅動器類型下載，不然后面安裝顯卡驅動會報以下錯誤。

從上面 GTX 750 Ti 的標準類型搜索結果看，最新的版本是 472.12，而 DCH 有 500 以上的更新的版本。如果一定要用相當新的版本，官網也提供了將標準驅動類型修改為 DCH 的，但 win 系統版本有一個限制，具體可以在網上查找這里看以后再更新說明。不過呢 472 的驅動程序版本其實完全夠用，可以搭配最大支持 CUDA11.0 到 CUDA12.0 之間的版本，也就意味著我們可以用 1.10 上下的 pytorch 的 cu 版本，現在最新也才 2 點幾，像之前火熱的 AI 繪畫 'stable diffusion' 和 AI 音色克隆 “so-vits-svc” 就可以搭起來跑了。

CUDA 下載

已經更新完顯卡驅動程序后，再重復前面查看版本號方式。看到驅動程序版本號和最大支持 CUDA 版本，記錄下來。然后進入官網的 CUDA Release Notes，也可以查看到驅動程序版本與各種 CUDA 版本的對應關系。

上面的 “CUDA Toolkit” 下 CUDA 11.4 有五個版本，其中帶 Update 的是正式版發布后的迭代版本，依次是 11.4.1 一直到 11.4.4，最右邊就是 WIN 的最低驅動程序版本。根據我們查詢的 472.12，當然 Updae4 也可以，最好按他們要求選 11.4.2 或以下。然后進入英偉達開發者網 developer.nvidia.com/cuda-toolkit-archive，選擇后下載，以及 CUDNN 也要下載再依次安裝。（這個在前面文章有介紹此處就略過了）

PyTorch 版本下載

前面把 CUDA 和 CUDNN 安裝配置好之后，環境變量會自動添加，然后通過 cmd 輸入 “nvcc -V” 查看 到 CUDA 的版本表示安裝無誤，接著就是查看 CUDA 與 pytorch 對應版本了，也可以直接下載 whl。cu 表 CUDA 版本，cpu 表 CPU 版本，由于沒有 11.4 的我們可以選擇 cu113 的搜索，然后挑選系統版本，Python 版本。

后面如果需要 torchaudio、torchtext 等庫，也一定要找相對應版本的，不然不是無法用 gpu 運行就是版本不兼容，pip 自動把 torch 調高或調低，甚至直接改成 cpu 版，而有時候就只是一個小版本都不支持，這一點很惱火。

GPU 運行

驅動、工具包、依賴庫等一切準備好后，在項目運行前，可以通過以下代碼檢測一下 gpu 是否可用。其實這里想說一下，我感覺是在小模型訓練時，GPU 加速并沒有比 CPU 快多少，但是有一個好處。如果是用 CPU 做訓練，跑起來后配置一般的電腦可能就動不了。而如果丟給 GPU，負載就給到他了，我可以再繼續調其他代碼或放放音樂啥，只要不玩游戲或做什么 3D 預覽渲染啥的。

import torch

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