cuda项目出错，no kernel image is available for execution on the device

本文深入解析了PyTorch报错`RuntimeError: CUDA error: no kernel image is available for execution on the device`的根本原因及解决方案。通过诊断显卡算力、检查PyTorch支持的架构、提供版本兼容性建议和源码编译方法，帮助开发者有效解决CUDA与PyTorch的兼容性问题。

本人由于需要学习深度学习，因此要用到pytorch.经过不断摸索终于成功安装好了pytorch,其中走过很多弯路，其中最大的原因就是没有意识到显卡算力的问题导致安装pytorch不匹配。

报错：RuntimeError: CUDA error: no kernel image is available for execution on the device提醒：安装pytorch时，除了要注意pytorch与torchvision版本的匹配，也要注意pytorch与cuda的版本兼容。不然……，安装环境会让你想吐~

CUDA error:no kernel image is available for execution on the device报错解决

BCD码的种类 BCD码可分为有权码和无权码两类：有权BCD码有8421码、2421码、5421码，其中8421码是最常用的；无权BCD码有余3码、格雷码等。 8421 BCD码 8421 BCD码是最基本和最常用的BCD码，它和四位自然二进制码相似，各位的权值为8、4、2、1，故称为有权BCD码。和四位自然二进制码不同的是，它只选用了四位二进制码中前10组代码，即用0000~1001分别代表它所对应的十进制数，余下的六组代码不用。 5421 BCD码和2421 BCD码 5421 BCD码和24

文章目录1.文章内容概述2.BCD码加法修正2.1调整方法3.BCD码减法修正3.1调整方法4.更特殊：21 - 45 = -24类的修正方法4.1调整方法 1.文章内容概述 首先要明白， BCD码的取值是从0000到1001（也就是十进制的0到9） 有时对BCD码进行加法或减法会有这个范围以外的值出现，需要人为调整方能得出正确的结果。 而本文即讲对此的修正方法。 2.BCD码加法修正 举例：...

BCD码    BCD码,全称二进制编码的十进制。用4位二进制数来表示1位十进制数中的0-9这10个数码。    BCD码可分为有权码和无权码两类： 有权BCD码有8421码、2421码、5421码，其中8421码是最常用的； 无权BCD码有余3码，余3循环码等。    8421BCD码    8421 BCD码是最基本和最常用的BCD码，它和四位自然二进制码相似，各位

BCD和非BCD的作用 大家都知道在计算机里面都是使用二进制，其实，8086/8088 CPU 也可以使用十进制进行计算的。 在计算机中的十进制数称为 BCD 码，它是使用四位二进制数，表示一位十进制数字。 常见的 BCD 码是 8421 码。即：0000 ~ 1001 分别代表 0 ~ 9。 一个字节有 8 位数，可以代表两位十进制数，即：0000 0000 ~ 1001 1001，分别代表 0 ~ 99。 二进制的写法，太长了，写成 16 进制好看些，即：00H ~ 99H，代表十进制的 0 ~ 9

一、BCD码 什么是BCD码呢？ BCD码的全称是Binary Coded Decimal。可以看出是关于二进制和十进制的编码。 我们在写十进制转二进制的时候，采用的是8421编码制，比如十进制的43，在二进制就是 0010 1011 而BCD码会将这个十进制的数分割成4和3，分别用两个4位二进制去表示： 0100 0011——0100是4 0011是3. BCD码其实有两种格式，压缩BCD码和非压缩BCD码 上面写的那种就是压缩BCD码，一个字节的高低四位各表示一个十进制数。 而非压缩BCD码则是，一个

环境： python 3.8.3 pytorch 1.7.1 cuda10.1 GPU: GeForce 920M 问题 用GPU运行代码时报错如下 因为我的cuda是配好了的，用tensorflow时就没问题，本来运行以下测试的时候发现也是没问题的。 In [2]: torch.cuda.is_available() Out[2]: True 但是再测试一下其它的 In [3]: torch.empty(3,4,device='cuda') 或者 In [5]: torch.Tensor([1

当在 GPU 上运行 CUDA 代码出现问题时，通常会出现错误消息“CUDA 错误：没有内核映像可用于在设备上执行”。这可能是由多种因素引起的，包括 CUDA、驱动程序或硬件的安装或配置不正确。具体来说，检查“CUDA_HOME”、“LD_LIBRARY_PATH”和“PATH”变量是否设置正确。检查您的 GPU 是否满足 CUDA 的最低要求。您可以在 NVIDIA 的网站上找到支持的 GPU 列表。本人用的是Linux服务器，cuda版本为11.7（一定要下载对应版本），然后直接复制下载命令就OK了。

例如，假设你的cuda版本是12.2，那么你可以将就着用下面的cuda12.1的torch版本。一般报这样的错，主要原因是torch版本和cuda版本不匹配导致的。，找到适合自己cuda的torch版本。

【注】cuda是向下兼容的，因此可以选择 >= 项目要求版本的cuda。翻译一下【1】：RTX 3090的算力是8.6，但是当前的PyTorch依赖的CUDA版本支持的算力只有3.7、5.0、6.0、7.0、7.5。而根据对应的算力关系，算力为8.x的显卡使用的cuda版本应该 >= 11.0。因此需要重新安装cuda和对应cuda可用版本的pytorch。由于cuda版本是直接对应电脑显卡的，因此上面表面上是说pytorch版本不对应，但实际上是pytorch依赖的cuda版本的问题。

前段时间在一个很古老的笔记本（lenovo Y400 GT650M*2）上安装NVIDIA内核驱动和CUDA，安装过程也是一波三折，首先是NVIDIA内核一直无法加载，提示原因是内核签名失败，最后发现是因为UEFI开启了选项，后来关闭这个feature之后内核正常加载了，nvidia-smi也可以正常使用了，

导致的原因一般都是显卡算力和cuda或者torch版本不匹配 比如在conda中安装的pytorch=1.5.0 cuda=10.2 错误：RuntimeError: CUDA error: no kernel image is available for execution on the device 参考pytorch 报错 RuntimeError: CUDA error: no kernel image is available for execution on the device_可豌豆的

报错解决：RuntimeError: CUDA error: no kernel image is available for execution on the device

问题：根本原因是之前装的cuda和torch版本和显卡不适配（开始以为4090可以兼容很多版本就没管） 解决方法：卸载之前的cuda和torch，找到适配的cuda和troch版本，安装--然后就没问题了。

RuntimeError: CUDA error: no kernel image is available for execution on the device CUDA kernel errors might be asynchronously reported at some other API call,so the stacktrace below might be incorrect. For debugging consider passing CUDA_LAUNCH_BLOCKING=1.