我使用此可用映像创建了一个Google VM实例：
C1-深度学习-通用-CU100-20191226
描述
Google，深度学习图像：基础，m39(带有CUDA 10.0(，基于Debian的映像，带有CUDA 10.0
然后，我将 Anaconda 安装到此 VM 上，然后按照 Pytorch 网站的建议使用以下命令行安装 Pytorch：
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
(这对应于Linux，Python 3.7，CUDA 10.1(
在 Python 中，我运行了以下代码来检查 GPU 检测：
import torch
torch.cuda.is_available()
False
从 nvidia-smi 工具中，即使在代码主体运行训练之后，这也是结果：
(base) redexces.bf@tensorflow-1x-2x:~$ nvidia-smi
Thu Jan 2 01:33:10 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.104 Driver Version: 410.104 CUDA Version: 10.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla P4 Off | 00000000:00:04.0 Off | 0 |
| N/A 37C P0 22W / 75W | 0MiB / 7611MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
显然，没有正在运行的进程，也没有分配任何内存。
这个问题似乎只与 Pytorch 有关;同一个虚拟机还在一个单独的 conda 环境中安装了 Tensorflow-gpu，该环境可以识别 GPU 并按照我的预期使用它。
我错过了什么碎片吗？ 同样，相同的 CUDA 驱动程序和图像对于张量流工作正常。
我能够解决这个问题。 不是计算机科学的人，我认为这可能是 nvidia 驱动程序兼容性问题。 由于 Pytorch 是使用 CUDA 10.1 驱动程序构建的，并且深度学习映像安装了 CUDA 10.0，因此我创建了另一个 VM 实例，但这次我没有使用前面提到的公共映像，而是使用 gcloud 命令行使用 cu10.1 驱动程序指定深度学习。 这使得一切都按预期工作。