电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu-Toy模板网

这篇具有很好参考价值的文章主要介绍了电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.软件环境⚙️

Windows 10 教育版64位
WSL Ubuntu 20.04 LTS
Pytorch 1.7.0
CUDA 11.0

2.问题描述🔍

因为深度学习的原因，相信很多人都是在一块硬盘上面装双系统，如Windows 10+Ubuntu 20.04。
最近懒得重启切换系统，所以装了一个WSL(Windows Subsystem for Linux)。具体装的是WSL 2，关于WSL 1 和 WSL 2 之间的主要区别在于，在托管 VM 内使用实际的Linux内核、支持完整的系统调用兼容性以及跨Linux和 Windows 操作系统的性能。 WSL 2 是安装Linux发行版时的当前默认版本，它使用最新最好的虚拟化技术在轻量级实用工具虚拟机 (VM) 内运行 Linux 内核：
电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu

并且WSL2不用重新装显卡驱动，直接使用Windows 10自带的驱动就行。安装WSL2后简单设置并装了必要的包后（如Anaconda），使用Pytorch官网给出的指令使用conda安装：

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch

安装过程很顺利一点错都没有报，但在wsl下使用nvcc -V却报错没有这个命令：

jayce@DESKTOP-BOJNA8J:~$ nvcc -V
Command 'nvcc' not found, but can be installed with:
sudo apt install nvidia-cuda-toolkit

电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu
正常情况下应该会显示cuda的版本，如下（PS：如下命令是在win 10 CMD下使用，返回的是win10独立安装的cuda）：

但nvidia-smi命令正常：
电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu
nvidia-smi命令没问题，证明wsl能够正确检测到nvidia的显卡驱动，但nvcc -V报错，证明我们的wsl环境里面没有相关的代码。

那这个时候又该怎么办呢？
电脑装了pytorch没有安装cuda，nvcc -V没反应，但能正常使用gpu

3.解决方法🐡

经过查阅，发现是conda方式安装的Pytorch自带了cuda，因此不需要我们再独立安装cuda和cudnn：

CUDA有两个主要的API：runtime(运行时) API和driver API。这两个API都有对应的CUDA版本（如9.2和10.0等）。

用于支持driver API的必要文件(如libcuda.so)是由GPU driver installer安装的。nvidia-smi就属于这一类API。

用于支持runtime API的必要文件(如libcudart.so以及nvcc)是由CUDA Toolkit installer安装的。（CUDA Toolkit Installer有时可能会集成了GPU driver Installer）。nvcc是与CUDA Toolkit一起安装的CUDA compiler-driver tool，它只知道它自身构建时的CUDA runtime版本。它不知道安装了什么版本的GPU driver，甚至不知道是否安装了GPU driver。

综上，如果driver API和runtime> API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer，而不是CUDA Toolkit installer里的GPU driver installer。

这可太方便了！wsl节省了安装nvidia驱动的时间，conda节省了安装cuda和cudnn的时间，这不变成了傻瓜式深度学习环境安装？
为了测试Pytorch能成功使用GPU，我们实验了如下代码：

>>> import torch
>>> torch.cuda.is_available()
True
>>> print(torch.__version__)
1.7.0
>>> print(torch.version.cuda)
11.0
>>> print(torch.backends.cudnn.version())
8003
>>> print(torch.cuda.nccl.version())
2708
>>> for i in range(torch.cuda.device_count()):
	    device = torch.device(f"cuda:{i}")
	    print(f"Device {i}: {torch.cuda.get_device_name(device)}")
	    print(f"\tGPU设备总内存: {round(torch.cuda.get_device_properties(device).total_memory / 1024 ** 3, 1)} GB")
	    print(f"\tGPU设备可用内存: {round(torch.cuda.memory_allocated(device) / 1024 ** 3, 1)} GB")
Device 0: NVIDIA GeForce RTX 4090
	GPU设备总内存: 24.0 GB
	GPU设备可用内存: 0.0 GB
Device 1: Quadro RTX 6000
	GPU设备总内存: 24.0 GB
	GPU设备可用内存: 0.0 GB