老显卡焕发新生：GTX 10系列在Ubuntu 20.04上的PyTorch实战指南

手里攥着GTX 1060或1080Ti这类"老兵"，看着各大深度学习框架对新硬件的偏爱，难免有种被时代抛弃的失落感。去年我在实验室角落发现三块积灰的GTX 1080Ti时，就面临这样的困境——学校预算有限，但生物图像分割实验又急需GPU加速。经过两周的反复试错，终于让这些"过时"设备在Ubuntu 20.04上完美运行PyTorch。本文将分享这套经过实战检验的解决方案，让你的旧显卡继续发光发热。

1. 硬件与系统环境确认

1.1 显卡计算能力核查

首先需要确认显卡的计算能力（Compute Capability），这个关键指标决定了它能支持哪些CUDA功能。执行以下命令获取显卡型号：

lspci | grep -i nvidia

对于GTX 10系列，典型型号对应的计算能力如下表：

显卡型号	计算能力	显存容量
GTX 1050 Ti	6.1	4GB
GTX 1060	6.1	6GB
GTX 1070	6.1	8GB
GTX 1080 Ti	6.1	11GB

提示：计算能力6.1的显卡最高支持CUDA 11.x，但实际使用中建议选择CUDA 10.2以获得最佳兼容性

1.2 驱动版本检查

运行以下命令查看当前安装的NVIDIA驱动版本：

nvidia-smi

输出示例：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 450.119.03   Driver Version: 450.119.03   CUDA Version: 11.0     |
|-------------------------------+----------------------+----------------------+

这里需要注意两个关键信息：

• Driver Version：450.119.03
• CUDA Version：11.0（这个CUDA版本是驱动支持的最高版本，不代表已安装）

2. 驱动与CUDA工具链配置

2.1 旧版驱动安装方案

Ubuntu默认的驱动仓库往往只保留最新版本，我们需要添加官方驱动仓库：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

然后查询适合GTX 10系列的驱动版本：

ubuntu-drivers devices

推荐安装450系列驱动（较新且稳定）：

sudo apt install nvidia-driver-450

安装完成后重启系统，再次运行nvidia-smi确认驱动加载正常。

2.2 CUDA Toolkit定制安装

避免直接安装最新CUDA Toolkit，建议使用runfile方式自定义安装：

1. 从NVIDIA官网下载CUDA 10.2的runfile
2. 执行安装时跳过驱动安装（已单独安装驱动）：

sudo sh cuda_10.2.89_440.33.01_linux.run --override --no-drm --no-opengl-libs --toolkit

关键安装选项：

• 不安装驱动（已单独安装）
• 安装CUDA Samples（用于验证）
• 添加环境变量到.bashrc

安装完成后配置环境变量：

echo 'export PATH=/usr/local/cuda-10.2/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

3. PyTorch环境精准配置

3.1 Conda环境创建

建议使用conda创建独立环境：

conda create -n pytorch_legacy python=3.7
conda activate pytorch_legacy

3.2 PyTorch版本选择

针对CUDA 10.2，PyTorch 1.8.1是最稳定的选择。使用conda安装：

conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=10.2 -c pytorch

如果网络不稳定，可以改用清华镜像源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=10.2

3.3 深度学习库兼容方案

部分现代库可能需要降级：

pip install numpy==1.19.5 matplotlib==3.3.4 scikit-learn==0.24.2

4. 系统级优化与验证

4.1 持久化模式设置

提高GPU响应速度：

sudo nvidia-smi -pm 1

4.2 计算能力验证

编译并运行CUDA Samples中的deviceQuery：

cd /usr/local/cuda-10.2/samples/1_Utilities/deviceQuery
make
./deviceQuery

正常输出应包含：

Detected 1 CUDA Capable device(s)
Device 0: "GeForce GTX 1080 Ti"
  CUDA Driver Version / Runtime Version          10.2 / 10.2
  CUDA Capability Major/Minor version number:    6.1

4.3 PyTorch功能测试

创建test_gpu.py：

import torch

print(f"PyTorch版本: {torch.__version__}")
print(f"CUDA可用: {torch.cuda.is_available()}")
print(f"GPU数量: {torch.cuda.device_count()}")
print(f"当前GPU: {torch.cuda.current_device()}")
print(f"GPU名称: {torch.cuda.get_device_name(0)}")

# 性能测试
x = torch.randn(10000, 10000).cuda()
y = torch.randn(10000, 10000).cuda()
z = x @ y
print(f"矩阵运算完成，结果形状: {z.shape}")

运行测试：

python test_gpu.py

预期输出：

PyTorch版本: 1.8.1
CUDA可用: True
GPU数量: 1
当前GPU: 0
GPU名称: GeForce GTX 1080 Ti
矩阵运算完成，结果形状: torch.Size([10000, 10000])

5. 常见问题排错指南

5.1 CUDA版本冲突

如果遇到CUDA error: no kernel image is available for execution错误，通常是PyTorch版本与显卡计算能力不匹配。解决方案：

1. 确认PyTorch是否从正确渠道安装
2. 检查conda列表：

conda list | grep torch

3. 彻底卸载后重装：

conda uninstall pytorch torchvision torchaudio
conda clean --all

5.2 内存不足处理

GTX 1060 6GB等显存较小的卡，可以添加以下代码防止OOM：

torch.cuda.empty_cache()
# 或者设置更小的batch size

5.3 多卡训练配置

对于多GTX 10系列显卡的环境，需要设置：

torch.cuda.set_device(0)  # 选择主卡
model = nn.DataParallel(model)

6. 性能优化技巧

6.1 混合精度训练

虽然GTX 10系列不支持Tensor Core，但仍可使用FP16加速：

from torch.cuda.amp import autocast, GradScaler

scaler = GradScaler()

with autocast():
    outputs = model(inputs)
    loss = criterion(outputs, targets)
    
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

6.2 数据加载优化

使用prefetch和多进程加载：

from torch.utils.data import DataLoader

loader = DataLoader(dataset, 
                   batch_size=32,
                   num_workers=4,
                   pin_memory=True)

6.3 内核自动调优

启用CUDA内核自动调优：

export CUDA_LAUNCH_BLOCKING=1

在代码中添加：

torch.backends.cudnn.benchmark = True

这套配置在图像分类任务测试中，GTX 1080Ti的利用率能稳定在95%以上，相比默认配置有约20%的性能提升。虽然比不上新显卡，但对于入门学习和中小规模实验已经完全够用。