前言

不得不说环境是一个非常玄学的东西，距离上次成功在 FB15k-237 数据集上跑 convE 模型没多久

ConvE，知识图谱嵌入（KGE）论文复现（Ubuntu 20.04）_Starprog_UESTC_Ax的博客-CSDN博客_conve 知识图谱ConvE(KGE模型)—论文复现（Ubuntu 20.04）(2022.03.07)https://angxiao.blog.csdn.net/article/details/123315377今天又在更换自己的数据集重跑 convE 模型，很神奇的报错：

RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED

---

在跑两次模型之间这段时间，我并没有动我的 GPU 环境，包括内核都用的之前的：

内核版本：5.13.0-35-generic

uname -a

另外，用这个环境跑 OpenKE【这 个工具包不含convE 】 也都没问题

---

网上搜了这个错误，有的说是指定显卡号，大多说是 cuda 和 cuDNN 版本不匹配的问题，让安装对应版本的 cuDNN。由于我之前装的时候，cuda 和 cuDNN 版本是匹配的【是否匹配，在 cuDNN 官网 可查】，所以我将 cuDNN 卸载重装，最终成功，把今天排错解决过程放在下边，大家有需要可以参考

---

一、检查是否有可用的显卡

输入 python 进入环境，运行命令：

import torch
print(torch.cuda.device_count()) #可用GPU数量

如果 没有可用显卡 或 GPU 环境配置有误，就会输出 0，在模型运行中，就会报以下错误：

cuda runtime error (38) : no CUDA-capable device is detected

我的莫名其妙重启解决了这个错误【也可以通过开机的高级选项，换个内核版本看看】，输出 0 这种情况每台机器不一样，详细原因可以百度对应解决，多说无益...

如果输出大于等于 2，前言部分所提错误可能是由于没有指定显卡号造成的，可以在模型代码前加入一行：

os.environ['CUDA_VISIBLE_DEVICES'] = '0'

由于我的输出为 1，错误应该不在这一节 

---

二、检查 cuda 版本 和 cuDNN 版本

① 检查 cuda 版本

查询当前驱动支持的最高版本：

nvidia-smi

查询目前安装的 cuda 版本：

nvcc -V

也可以通过如下命令，看到更为详细的信息，包括与之 communicate 的驱动：

cat /usr/local/cuda/cuda.json

---

②  检查 cuDNN 版本

有 cudnn.h 文件但无输出，版本未知，理论上，我之前安装的 v 8.3.0，不会去傻乎乎动这个库的

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

---

三、卸载并重新安装 cuDNN 

① 卸载 cuDNN v 8.3.0

查找出现位置：

注意按照下图顺序卸载【含 2004 的那项那个不卸】：

---

② 安装 cuDNN v 8.3.0

重复内容，不再赘述，参考以下博文：

(15条消息) Ubuntu 20.04 系统（双系统环境下）中深度学习环境配置（Pytorch + GPU）_Starprog_UESTC_Ax的博客-CSDN博客_ubuntu子系统https://angxiao.blog.csdn.net/article/details/123196056不过在验证是否安装成功阶段，报了个小错：

AttributeError: module 'torch.jit' has no attribute 'unused'

原因：torch 和 torchvision 版本不匹配

解决：

安装 torch 1.4.0 版本：

安装 torchvision 0.5.0 版本

再次验证，成功：

---

四、重跑模型 convE

python wrangle_KG.py BA
CUDA_VISIBLE_DEVICES=0 python main.py --model conve --data BA \
                                      --input-drop 0.2 --hidden-drop 0.3 --feat-drop 0.2 \
                                      --lr 0.003 --preprocess

 成功执行：

---

附录

换源加速安装

如果下载速度很慢，在原来安装语句上添加 -i 和 如下任一镜像地址即可切换国内服务器：

阿里云 http://mirrors.aliyun.com/pypi/simple/
中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣(douban) http://pypi.douban.com/simple/
清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/
中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/