Pytorch项目报错：CUDAkernelerrorsmightbeasynchronouslyreportedatsomeotherAPIcall在运行基于pytorch的深度学习项目时，有时候会遇到上述错误，并且在报错时没有定位到正确的位置。原因分析：这里查阅了很多网上的相关资料，说是分类数目和模型里的实际分类数目不匹配，大家可以仔细查看一下这个。也有说是在计算logits之前先进性softmax归一化，大家也可以试试这个方法。我仔细检查自己的项目分类数目，发现并不是上述原因，因此需要先定位到实际导致错误的代码位置。解决方案：我们的目的是定位到实际导致报错的代码位置，只需要在最开头添加：

文章目录1、报错内容2、检查3、解决1、报错内容安装库时报错：NoCUDAruntimeisfound,usingCUDA_HOME='/usr/local/cuda-11.3'2、检查查看cuda版本和pytorch版本python进入python环境importtorchtorch.__version__torch.cuda.is_available()nvidia-sminvcc-V因此发现是由于该虚拟环境中CUDA与torch的版本不对应，发现在安装虚拟环境的environment.yml文件中只有指定cuda版本，而没有自动安装正确的torch版本：channels:-pytorch

目录查看CUDA驱动版本卸载旧版CUDA安装CUDA安装完成查看CUDA驱动版本查看当前安装的CUDA版本，当前CUDA版本为10.1nvcc-V查看显卡驱动，以及支持的CUDA的最高版本，这里的12.0指的是可驱动的最高版本。下载CUDA的版本应低于12.0nvidia-smi卸载旧版CUDA控制面板中卸载CUDA安装CUDA在CUDA官网选择符合要求的版本安装由于我安装的pytorch对应的CUDA版本是11.7，所以我选择11.7.1版本importtorchtorch.cuda.is_available()#查看pytorch是否支持CUDAtorch.cuda.device_coun

缓存不够！！！！并非内存容量不够错误提示：torch.cuda.0utofMemoryError:CUDAoutofmemory.Triedtoallocate2.00MiB(PU0;23.69GiBtotalcapacity;237BiBalreadyallocated;18.38MiBfre;2.50GiBreservedintotalbyPyTorch)Ifreservedmemoryis>>allocatedmemorytrysettingmax_split_size_mbtoavoidfragmentation.SeedocumentationforMemoryManagementa

我在配置VS和CUDA的过程中，出现了差错，因此不得不卸载CUDA，下面是卸载CUDA的教程，亲测有效。教程1.windows自带的控制面板，用来卸载主程序windows自带的控制面板，用来卸载主程序。在控制面版中打开程序和功能。卸载CUDA的一些相关程序软件。  保留上图上的三个程序软件，其他关于CUDA的均卸载。2.控制面板中卸载完毕后，打开电脑中的电脑管家进行清理，清理卸载之后无用的注册表。 参考文章：(2条消息)windows下CUDA的卸载以及安装_cuda卸载_hi_1900的博客-CSDN博客 

第一步：在电脑桌面点击右键选择NVIDIA控制面板 第二步：查看显卡驱动版本 比如这里我的驱动版本是472.47，然后去这里查看对应的CUDA版本，如下这个表从表中可以看出我显卡驱动版本对应最高的cuda版本可去到11.4，同时还可可以在NVIDIA控制面板中点击右下角的系统信息→点击组件查看。 第三步：下载安装对应CUDA参考文章： win10+cuda9.2+cudnn安装趟过的坑_cuda9.2对应的cudnn_昵称不火的博客-CSDN博客

Cmake配置vs2022工程我电脑安装的是vs2022但是cmake的gui没有vs2022的选项只有2019而且选择2019生成编译环境是错的提示“visualstudio162019couldnotfindanyinstanceofvisualstudio.”解决方法如下先利用vs2022创建一个cmake项目在项目路径下执行命令mkdirbuildcd.\build\cmake.生成如下我们再去看cmake的配置UI上看就已经有了我们的vs2022的选项了这下我们直接点击finish生成即可或者参考如下路径在cmake下自行配置#ThisistheCMakeCachefile.#For

一、版本不同的原因CUDA有两种API，一个是驱动API（DriverVersion），依赖NVIDIA驱动，由nvidia-smi查看，另一个是运行API（RuntimeVersion）是软件运行所需要的，一般驱动API版本>=运行API版本即可。驱动API的依赖文件由GPUdriverinstaller安装，nvidia-smi属于这一类API；运行API的依赖文件由CUDAToolkitinstaller安装。参考链接：https://codeantenna.com/a/5eVVAE9Q27二、CUDA和CUDNN1、什么是CUDA    CUDA(ComputeUnifiedDevic

引发pytorch：CUDAoutofmemory错误的原因有两个：1.当前要使用的GPU正在被占用，导致显存不足以运行你要运行的模型训练命令不能正常运行解决方法：1.换另外的GPU2.kill掉占用GPU的另外的程序（慎用！因为另外正在占用GPU的程序可能是别人在运行的程序，如果是自己的不重要的程序则可以kill）命令行中输入以下命令，可以查看当前正在GPU运行的程序：nvidia-smi再根据上面显示的正在运行程序的PID，输入以下查看进程的命令，可以查看到进程的相关信息，包括使用该进程的用户，时间，命令等ps-f-p12345//你自己的要查询的pid输出大致如下：ps-f-p进程号#p

想必大家查看自己cuda是11.2版本，但是在pytorch官网没有找到对应的安装命令，请参考一下命令：condainstallpytorch==1.8.0torchvision==0.9.0torchaudio==0.8.0cudatoolkit=11.2-cpytorch-cconda-forge测试：importtorchtorch.cuda.is_available()#cuda是否可用torch.cuda.current_device()#返回当前设备索引torch.cuda.device_count()#返回GPU的数量torch.cuda.get_device_name(0)#返