一、问题描述

        今天在调试模型的代码，然后代码一直运行得好好地，就突然出现了一下的错误：

RuntimeError: CUDA error: invalid device ordinal
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.

        觉得十分诡异，前面运行的时候没出现这个Error，但是后面点击运行的时候就出现了，而且多次点击运行，都会报的这个错。

        上面的错误大概就是说我的CUDA设备序号出错。例如，训练模型的机器上只有4张显卡，那么CUDA设备序号分别是0、1、2、3。当你在程序中使用4、5或者更加大的数字时，这个错误信息就会自动地报出来。

        令我觉得诡异的地方是，在我运行模型的机器中，明明有4个可以使用的CUDA设备，也就是拥有4张显卡，而我不能使用1、2、3对应的CUDA设备，然后就报了上面的这个错误。所以我觉得十分奇怪。

二、解决方法

        首先，我观察了我设置程序使用CUDA设备的代码：

os.environ['CUDA_VISIBLE_DEVICES'] = '%d' % m_gpu
torch.cuda.set_device(m_gpu)
torch.cuda.is_available()
torch.cuda.current_device()

        其中上边的m_gpu是设置CUDA设备序号的变量。

        然后我发现在设置CUDA设备序号时，如果调用了下面的代码，就不会出现上门的报错信息：

torch.cuda.device_count()

        最终，设置CUDA设备序号的代码改为：

torch.cuda.device_count()
os.environ['CUDA_VISIBLE_DEVICES'] = '%d' % m_gpu
torch.cuda.set_device(m_gpu)
torch.cuda.is_available()
torch.cuda.current_device()

        这样就解决了我上面所遇到的问题。

三、设备信息

        NVIDIA驱动：NVIDIA-SMI 515.65.01    Driver Version: 515.65.01    CUDA Version: 11.7

        Python版本：Python 3.6.9

        PyTorch版本：1.10.2

        Linux系统：Ubuntu 18.04.6 LTS (GNU/Linux 4.15.0-041500-generic x86_64)