Проблемы DLL-файлов в PyTorch: способы решения

Расширенные примеры диагностики и устранения DLL ошибок

Пример 1: проверка совместимости CUDA и сборки PyTorch

Выполните следующий скрипт, чтобы узнать поддерживаемую версию CUDA в текущей сборке PyTorch и сравнить с системной.

import torch
import subprocess
import sys

print(f"PyTorch версия: {torch.__version__}")
print(f"CUDA доступна: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"Версия CUDA из PyTorch: {torch.version.cuda}")
    print(f"Количество GPU: {torch.cuda.device_count()}")
    
# Системная версия CUDA
system_cuda = subprocess.run("nvcc --version", shell=True, capture_output=True, text=True)
if system_cuda.returncode == 0:
    print(f"Системная версия CUDA:\n{system_cuda.stdout}")
else:
    print("nvcc не найден. CUDA Toolkit, возможно, не установлен.")

PyTorch версия: 2.1.0
CUDA доступна: True
Версия CUDA из PyTorch: 11.8
Количество GPU: 1
Системная версия CUDA:
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Fri_Nov_10_16:44:45_Pacific_Standard_Time_2023
Cuda compilation tools, release 11.8, V11.8.89

На основе вывода можно подобрать правильный индекс cu118 при переустановке.

Пример 2: принудительная загрузка CPU‑сборки без переустановки

Если PyTorch уже установлен с GPU‑поддержкой, но DLL не загружается, можно временно отключить CUDA через переменную среды.

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # отключает все GPU
import torch

print(f"CUDA доступна: {torch.cuda.is_available()}")  # False
print(f"Тензор на CPU: {torch.rand(3,3).device}")      # cpu

CUDA доступна: False
Тензор на CPU: cpu

Пример 3: ручное добавление путей к DLL через ctypes

В редких случаях помогает явная загрузка библиотек перед импортом PyTorch.

import ctypes
import os

# Путь к папке с DLL CUDA (пример)
cuda_bin = r"C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin"
if os.path.exists(cuda_bin):
    # Загружаем все DLL из папки (осторожно, может замедлить импорт)
    for dll in os.listdir(cuda_bin):
        if dll.endswith(".dll"):
            try:
                ctypes.WinDLL(os.path.join(cuda_bin, dll))
            except Exception as e:
                print(f"Не удалось загрузить {dll}: {e}")
else:
    print("Указанный путь не найден.")

import torch
print(torch.cuda.is_available())

True

Обратите внимание: этот метод может маскировать реальную проблему, поэтому используется только для отладки.

Пример 4: создание изолированного окружения с conda для тестирования

Используйте conda для полного контроля зависимостей, исключая конфликты системных библиотек.

# Создание окружения с Python 3.10 и CPU версией
conda create -n torch_cpu_test python=3.10 -y
conda activate torch_cpu_test
conda install pytorch torchvision torchaudio cpuonly -c pytorch -y
# Проверка
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"

2.1.0
False

Для GPU версии замените cpuonly на cudatoolkit=11.8.

Пример 5: использование Docker‑контейнера для полной изоляции

Если ни один из способов не помог, запустите PyTorch в контейнере с предустановленными библиотеками.

docker run --gpus all -it --rm pytorch/pytorch:2.1.0-cuda11.8-cudnn8-devel bash
# Внутри контейнера:
python -c "import torch; print(torch.cuda.is_available())"

True