linux怎么查显卡_linux怎么查显卡型号

一文理清CUDA环境配置（Linux/Windows，包括pytorch、mmdetection等）
　　写在开头：

　　本文系本人经大半年的学习后，对之前两篇环境配置相关博客的提炼、归纳与总结，由于CSDN编辑器过于难用（还存在不少很影响编辑体验的bug），故转战知乎

　　（但是知乎的编辑器也不算很好用，什么时候能像语雀一样就好了）

　　之前的两篇博客：

　　【Ubuntu 3090 CUDA配置】一文缕清 驱动+CUDA Toolkit+cuDNN+pytorch+cudatoolkit 环境配置流程

　　【Win10+RTX3090】Windows下最新版本mmdetection的安装/环境配置流程_幻灯片-CSDN博客

　　基本知识

　　什么是CUDA

　　CUDA全称Compute Unified Device Architecture，是由NVIDIA推出的一种计算架构，通过CUDA我们可以使用NVIDIA GPU进行计算，至于GPU相比起CPU的性能优势，本文不展开赘述

　　如何使用CUDA

　　显卡驱动，否则无法使用GPU进行计算程序代码（.cu和.cuh文件）编译代码，类似于C++程序需要编译才能运行，这个过程需要CUDA Toolkit发布编译好的程序，其他人就可以下载并直接运行，不再需要代码和CUDA Toolkit，但仍需要显卡驱动

　　什么是CUDA Toolkit

　　简单地，可以将CUDA Toolkit视为开发CUDA程序的工具包（类似于VS之于C++），但我们不仅在开发CUDA程序时需要CUDA Toolkit，很多时候，由于硬件、软件环境的不同，他人编译好的CUDA程序我们是不能直接运行的，于是我们就要在自己的计算机上编译他人写好的CUDA代码

　　显卡型号-CUDA版本-驱动版本关系

　　显卡型号、算力、CUDA版本关系：https://en.wikipedia.org/wiki/CUDA#GPUs_supportedCUDA、驱动版本关系（Table 3. CUDA Toolkit and Corresponding Driver Versions）：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.htmlcuDNN、CUDA版本关系：下载时选择即可

　　选择流程：显卡型号 -> 算力 -> CUDA -> 驱动 -> cuDNN

　　（由于算力原因，一些型号较老的显卡不能使用新版本的CUDA，一些型号较新的显卡也不能使用老版本的CUDA）

　　CUDA Toolkit安装

　　1. 下载CUDA Toolkit并安装（无需事先安装驱动，CUDA Toolkit安装包带有驱动）：https://developer.nvidia.com/cuda-toolkit-archive

　　2. 下载cuDNN并解压到CUDA Toolkit目录下：https://developer.nvidia.com/rdp/cudnn-download

　　3. 配置环境变量（以11.3版本为例，注意替换版本号）：Linux：

　　i. 在文件末添加：

　　ii. 执行或重启终端以应用更改

　　iii. 安装程序应该会自动设置软链接： Windows：

　　i. 安装程序应该会自动添加如下2个环境变量：

　　ii. 安装程序应该会自动在Path环境变量中添加如下两项：

　　CUDA Toolkit版本切换

　　可按需切换到其他已安装的CUDA Toolkit版本（以切换到11.1版本为例）：Linux：

　　1. 修改中的CUDA Toolkit版本：

　　2. 执行或重启终端以应用更改，可通过确认当前版本

　　3. 修改软链接（注：软链接的修改很可能会影响到服务器上的其他用户，谨慎修改！）

　　Windows：

　　1. 修改CUDA_PATH环境变量

　　2. 调整Path环境变量的顺序，将以下两项移至最上方

　　3. 重启cmd或PowerShell以应用更改，可通过确认当前版本

　　pytorch安装

　　cudatoolkit说明

　　请先查看《基本知识》cudatoolkit即一些编译好的CUDA程序，当系统上存在兼容的驱动时，这些程序就可以直接运行安装pytorch会同时安装cudatoolkit，且pytorch的GPU运算直接依赖cudatoolkit，因此无需安装CUDA Toolkit即可使用pytorch进行深度学习

　　安装流程

　　选择CUDA版本，确认系统上存在兼容的驱动根据选择的CUDA版本，按照官网的指示安装即可：https://pytorch.org/get-started/locally/

　　mmdetection安装

　　mmdetection（下简称mmdet）依赖于mmcv-full，由于mmcv-full与mmdet都需要编译CUDA代码，所以必须先安装CUDA Toolkit

　　Linux下的安装

　　Linux下较为简单：

　　1. 确认系统上已安装CUDA Toolkit，并切换到所需版本

　　2. 创建conda环境并安装pytorch：https://pytorch.org/get-started/locally/

　　3. 按照指示安装mmcv-full：https://github.com/open-mmlab/mmcv#installation

　　a. 直接安装编译好的whl（注意替换cuda版本和torch版本）

　　b. 若出现问题（包括后续安装mmdet、测试mmdet时报错），本地编译安装，需要十分钟左右：pip install mmcv-full

　　c. 若还出现问题（极少），下载mmcv源码并视情况修改，build from source

　　4. 按照指示安装mmdet：https://github.com/open-mmlab/mmdetection/blob/master/docs/en/get_started.md

　　a. 根据mmcv-full的版本选择mmdet版本

　　b. 下载mmdet源码，本地开发模式编译安装

　　5. 测试mmdet：https://github.com/open-mmlab/mmdetection/blob/master/docs/en/get_started.md#verification

　　Windows下的安装

　　Windows下略复杂，主要参考MMLab官方提供的教程：https://zhuanlan.zhihu.com/p/308281195、https://mmcv.readthedocs.io/en/latest/get_started/build.html#build-on-windows

　　1. 安装Git：https://git-scm.com/download/win，需勾选Git from the command line and also from 3rd-party software

　　2. 确认已添加至Path环境变量中，即cmd可以使用指令

　　3. 安装VS 2019：https://visualstudio.microsoft.com/zh-hans/downloads/，需勾选使用C++的桌面开发及其中的MSVC生成工具

　　4. 将添加到Path环境变量中（注意替换版本），则cmd可以使用指令

　　5. 安装Anaconda：https://www.anaconda.com/products/individual#Downloads，需勾选Add Anaconda3 to my PATH environment variable

　　6. 确认、、、、已添加至Path环境变量中，即cmd可以使用指令

　　7. 重新执行CUDA Toolkit安装程序，以安装下图所示的Visual Studio Integration

　　8. 若需要切换CUDA Toolkit版本进行编译，如上文所述修改环境变量即可

　　9. 创建conda环境并安装pytorch：https://pytorch.org/get-started/locally/

　　10. 按照指示安装mmcv-full：https://github.com/open-mmlab/mmcv#installation

　　a. 打开PowerShell（不要使用cmd，cmd不支持部分语法）

　　b. 直接安装编译好的whl（注意替换cuda版本和torch版本）

　　c. 若出现问题（包括后续安装mmdet、测试mmdet时报错），本地编译安装，需要十分钟左右：

　　d. 若还出现问题，下载mmcv源码并视情况修改，build from source（这里必须用PowerShell）

　　11. 按照指示安装mmdet：https://github.com/open-mmlab/mmdetection/blob/master/docs/en/get_started.md

　　a. 根据mmcv-full的版本选择mmdet版本

　　b. 下载mmdet源码，本地开发模式编译安装

　　12. 测试mmdet：https://github.com/open-mmlab/mmdetection/blob/master/docs/en/get_started.md#verification，结果如下图所示

　　其他

　　nvidia-smi与nvcc -V显示的CUDA版本不一致

　　显示的是驱动版本对应的CUDA版本，即当前驱动支持的最新CUDA版本

　　显示的是目前设置的CUDA Toolkit版本（nvcc程序在目录cuda/bin/下）