AssertionError: Torch not compiled with CUDA enabled 해결하기

AssertionError: Torch not compiled with CUDA enabled

PyTorch는 딥러닝 모델을 구축하고 학습시키기 위한 강력한 라이브러리로, CUDA를 통해 GPU를 활용하여 연산 속도를 획기적으로 향상시킬 수 있습니다. 그러나, "AssertionError: Torch not compiled with CUDA enabled" 오류가 발생하면, 이는 CUDA 기능이 활성화된 PyTorch를 설치하지 않았음을 의미합니다. 이 글에서는 이 오류의 원인과 해결 방법, 그리고 CUDA를 활용한 PyTorch의 장점을 설명하겠습니다.

AssertionError의 원인

이 오류는 주로 두 가지 이유로 발생합니다. 첫 번째는 PyTorch가 CPU 전용으로 설치되었기 때문입니다. 두 번째는 CUDA가 시스템에 설치되어 있지 않거나, PyTorch와 호환되지 않는 버전의 CUDA가 설치된 경우입니다.

CUDA 설치 확인 및 PyTorch 설치 방법

CUDA가 제대로 설치되었는지 확인하려면, NVIDIA의 공식 웹사이트에서 자신의 GPU 모델에 맞는 CUDA를 다운로드할 수 있습니다. CUDA가 설치된 후, 아래의 명령어를 통해 PyTorch를 CUDA 지원 버전으로 설치할 수 있습니다.

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

사례 연구

사례 1: GPU 활용의 필요성

딥러닝에서는 대량의 데이터와 복잡한 모델을 처리해야 하기 때문에, GPU를 활용하는 것이 매우 중요합니다. 예를 들어, 이미지 분류 모델을 학습시키는 경우, CPU에서 수행하면 수 시간이 걸릴 수 있지만, GPU를 활용하면 수 분 안에 완료할 수 있습니다. 아래의 표는 CPU와 GPU를 사용할 때의 시간 차이를 보여줍니다.

장치	소요 시간 (시간)
CPU	5
GPU	0.5

따라서, GPU를 올바르게 설정하여 사용할 수 있는 방법을 아는 것이 중요합니다.

사례 2: CUDA 설치 후 PyTorch 사용

CUDA를 설치한 후, PyTorch를 CUDA 지원 버전으로 설치하면 GPU를 이용한 다양한 실험이 가능합니다. 예를 들어, MNIST 데이터셋을 이용한 손글씨 숫자 인식 모델을 학습시킬 때, CUDA를 통해 몇 배 빠른 학습 속도를 경험할 수 있습니다. 아래는 CUDA가 활성화된 PyTorch에서 모델을 학습시키는 간단한 코드 예제입니다.


import torch
import torchvision
import torchvision.transforms as transforms

# 데이터 로드
transform = transforms.Compose([transforms.ToTensor()])
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

# 모델 정의
class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = torch.nn.Linear(28 * 28, 128)
        self.fc2 = torch.nn.Linear(128, 10)

    def forward(self, x):
        x = x.view(-1, 28 * 28)
        x = torch.nn.functional.relu(self.fc1(x))
        x = self.fc2(x)
        return x

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = Net().to(device)

이 코드는 GPU를 통해 더욱 빠르게 학습할 수 있도록 돕습니다.

사례 3: 오류 해결 과정

CUDA가 설치되어 있음에도 불구하고 여전히 오류가 발생하는 경우, 다음의 단계를 통해 문제를 해결할 수 있습니다. 먼저, PyTorch의 CUDA 버전과 시스템의 CUDA 버전이 일치하는지 확인합니다. 또한, PyTorch 버전을 확인하여 최신 버전으로 업데이트할 수 있습니다. 이를 통해 오류를 해결하고, 정상적으로 딥러닝 모델을 학습시킬 수 있습니다.

실용적인 팁

팁 1: PyTorch 버전 확인하기

PyTorch의 현재 버전을 확인하면, CUDA 지원 여부를 알 수 있습니다. 아래의 명령어를 통해 확인할 수 있습니다.

import torch
print(torch.__version__)

이 정보를 바탕으로, 적절한 CUDA 버전을 선택하여 설치할 수 있습니다.

팁 2: CUDA Toolkit 설치

CUDA Toolkit은 GPU를 활용하기 위한 필수 도구입니다. NVIDIA의 공식 웹사이트에서 자신의 GPU에 맞는 버전을 다운로드하여 설치하면 됩니다. 설치 후에는 환경 변수를 설정하여 시스템이 CUDA를 인식하도록 해야 합니다.

팁 3: GPU 메모리 확인

GPU 메모리가 부족할 경우에도 오류가 발생할 수 있습니다. 아래의 명령어를 통해 GPU 메모리를 확인할 수 있습니다.

!nvidia-smi

메모리 사용량을 확인하고, 필요시 불필요한 프로세스를 종료하여 메모리를 확보할 수 있습니다.

팁 4: PyTorch의 CUDA 지원 확인

PyTorch가 CUDA를 지원하는지 확인하려면, 아래의 코드를 실행하면 됩니다.

torch.cuda.is_available()

이 결과가 True인 경우에만 CUDA를 사용할 수 있습니다.

팁 5: 커뮤니티 활용하기

PyTorch 커뮤니티에서 제공하는 다양한 자료와 포럼을 활용하면, 비슷한 문제를 겪고 있는 사용자들의 경험을 공유받을 수 있습니다. GitHub, Stack Overflow, PyTorch 포럼 등에서 해결책을 찾을 수 있습니다.

요약 및 실천 팁

"AssertionError: Torch not compiled with CUDA enabled" 오류는 주로 PyTorch가 CPU 전용으로 설치되었거나, CUDA와의 호환성 문제로 발생합니다. 이를 해결하기 위해서는 CUDA를 설치하고, PyTorch를 적절히 설정해야 합니다. 다음의 실천 팁을 통해 이 오류를 해결하고 CUDA의 혜택을 누려보세요:

PyTorch 버전을 확인하고, CUDA와의 호환성을 점검하세요.
CUDA Toolkit을 설치하고, 환경 변수를 설정하세요.
GPU 메모리를 확인하여 메모리 부족 문제를 예방하세요.
PyTorch의 CUDA 지원 여부를 체크하여 문제가 있는지 확인하세요.
커뮤니티 자원을 활용하여 다른 사용자들의 경험을 참고하세요.

이러한 방법들을 통해 빠르게 문제를 해결하고, GPU를 활용한 딥러닝 모델 학습의 장점을 누릴 수 있습니다.

Knowledge Atlas