老显卡也能学CUDA：940MX编程实践与踩坑全复盘

家里的旧笔记本翻出来，屏幕都花了一块，但我没舍得扔，原因就一个：上面那块 NVIDIA GeForce 940MX 还能跑 CUDA。可能有人觉得这显卡已经淘汰八百年了，显存小、带宽低、算力弱，能学什么？但我用这块卡从零把 CUDA 编程摸了一遍，顺带把 PyTorch 也跑通了。这篇文章就围绕 GeForce 940MX 的 CUDA 编程实践，把我装驱动、配环境、写核函数、踩坑排错的过程全部复盘一遍。如果你手里也是一块老卡，或者你正被 CUDA 环境折腾得想砸电脑，这篇文章应该能帮你省几天时间。

先说明一下，940MX 不是一张能跑大模型的卡，它的定位是入门级移动端独显。但它有几个很珍贵的特点：支持 CUDA、功耗低、结构简单、兼容性好，特别适合拿来理解 GPU 编程的核心逻辑。后面所有内容都是我在真实环境里验证过的，包括多版本 CUDA 安装、驱动兼容性、PyTorch 跑不起来的坑、以及怎么在这块卡上写出第一个能跑的 CUDA 程序。

1. 940MX 这块“过气卡”：架构、算力和到底能干嘛

1.1 Maxwell 架构和 CUDA 计算能力 5.0

要搞懂 940MX 能干什么，先看硬件底子。940MX 核心是 GM108，属于 NVIDIA Maxwell 架构，CUDA 计算能力是 5.0，也就是常说的 sm_50。它有 384 个 CUDA 核心，基础频率 1122 MHz，Boost 频率差不多 1242 MHz，显存有 2GB 和 4GB 两种版本，位宽只有 64 位，带宽在 40GB/s 左右。

这些数字意味着什么？举个例子，桌面级的 RTX 3060 有 3584 个 CUDA 核心，940MX 大概只有它的十分之一多一点。但学习 CUDA 编程不需要和性能较劲，你需要的是能运行核函数、能理解线程调度、能调试并行逻辑的一块硬件，940MX 完全满足。

CUDA 计算能力是一个特别重要的概念，它决定了你在编译程序时该指定什么架构参数。计算能力 5.0 对应的编译目标就是 sm_50，写代码时用-arch=sm_50告诉编译器你的目标是 Maxwell 架构。如果你拿支持新特性的编译参数去编译老卡，要么编译报错，要么运行时直接崩掉。

有个很容易踩的坑：很多教程默认用-arch=sm_86或-arch=sm_90编译，那是给 Ampere、Hopper 架构用的。放在 940MX 上，跑起来就会出现no kernel image is available for execution on the device这种报错，后面我会专门讲这个问题。

1.2 它能做什么、做不了什么

用 940MX 学 CUDA，我认为它最大的价值是逼你把底层原理搞清楚。没有那些自动化优化工具，你必须手动设计线程块、手动管理显存、手动做数据拷贝，这些恰恰是 CUDA 编程的核心内容。

它能做的事情不少：

• CUDA C/C++ 入门和并行算法实验，像数组求和、矩阵乘法、图像卷积这些经典案例完全没问题。
• 小规模的深度学习推理和训练，比如 LeNet 跑 MNIST 手写数字识别，batch size 调小一点，完全可以跑。
• 学习显存管理、流、事件、共享内存这些进阶概念，硬件不支持不代表你不能从代码里理解逻辑。
• 在 WSL 或者 Windows 原生环境里验证 CUDA 跑通的基础流程。

它做不了的事情也很明确：大 Batch 训练、大模型推理、使用张量核心做混合精度加速、跑现在动辄几十 GB 的深度学习模型，这些都得靠边站。所以如果你手里已经有更好的显卡，940MX 的价值就更多是“学习用”，而不是“生产力工具”。

现实一点说，在 940MX 上调一个简单的卷积核，观察它的运行时间和带宽占用，这种经验放到任何一张新卡上都一样适用。硬件会过时，并行计算和内存模型这些底层思维不会过时。

2. 环境搭建：驱动、Toolkit 和多版本共存的正确姿势

2.1 第一步永远是驱动

不管你要装什么 CUDA 工具包，第一步永远是先确认驱动能用。在命令行里直接敲nvidia-smi，能看到显卡型号、驱动版本、显存占用这些信息，就说明驱动已经装好了。

注意一个容易混淆的点：nvidia-smi里显示的 “CUDA Version” 表示当前驱动支持的最高 CUDA 版本，不是你已经安装的 CUDA 工具包版本。驱动是“底座”，CUDA Toolkit 是“上层建筑”，两者是分开的。驱动版本比较新，你可以往后兼容装旧版 Toolkit；如果驱动版本太旧，新版本 Toolkit 可能直接拒绝对接。

940MX 的实际驱动支持情况还算好，因为 N 卡驱动一直没完全放弃 Maxwell 架构。我个人的建议是装最新稳定版驱动，不要追测试版。笔记本用户尤其注意：如果电脑是双显卡（Intel 核显 + N 卡独显），需要去 NVIDIA 控制面板的“管理 3D 设置”里，把首选图形处理器改成“高性能 NVIDIA 处理器”。这一步不做，有些程序会傻乎乎地跑到核显上，导致 CUDA 初始化失败。

2.2 CUDA Toolkit 安装与版本选择

CUDA Toolkit 是写 CUDA C 程序时必须要装的，它包含nvcc编译器、CUDA 运行时库、调试工具和开发库。

在 940MX 这块 Maxwell 老卡上，我对 Toolkit 版本的建议是：如果你只是学 CUDA 编程，装 11.8 或者 12.1 都行，这两个版本目前非常稳定，社区资料也多。如果是为了跑 PyTorch，那复杂一点，得看 PyTorch 这个框架支持什么架构，后面专门说。

Windows 安装没什么特别的地方，直接去官网下载对应系统的安装包，装的时候选自定义路径。比如我装在：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8

装完以后必须配置环境变量。在系统变量的Path里加上：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin

如果忘记配，命令行里敲nvcc -V会提示找不到命令，这是最常见的初学问题之一。

WSL2 里的情况更清爽一些，因为 WSL2 不需要单独装显卡驱动，它直接复用 Windows 主机的驱动。你只需要在 WSL2 的 Linux 环境里装 CUDA Toolkit：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install cuda-toolkit-12-1

装上之后同样要加环境变量。Linux 下习惯把 CUDA 目录加到/etc/profile.d/cuda.sh，内容大概是：

export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

我个人的实操感受是：WSL2 下写 CUDA 比 Windows 原生命令行舒服很多，但如果你是刚入门，Windows 原生也完全够。关键不是用哪个系统，而是把“驱动——工具包——编译器——运行时”这条链路跑通。

2.3 多版本 CUDA 共存的两个思路

我在折腾的过程中发现，实际项目里经常需要好几个 CUDA 版本共存。有的老代码必须用 CUDA 10.2，有的框架要求 CUDA 11.8，还有的默认环境是 CUDA 12.1。全装在一起也没问题，关键是别让它们在环境变量里打架。

Windows 下的思路是“不覆盖安装”。每装一个新版本，安装路径都改成独立的目录，比如CUDA\v11.8、CUDA\v12.1。改动环境变量前先把之前的版本信息记下来，需要切换哪个版本，就把对应版本的bin目录放到Path最前面。为了省事，我写了一个简单的批处理脚本，切换版本时一键修改环境变量：

@echo off set CUDA_HOME=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8 set PATH=%CUDA_HOME%\bin;%PATH% nvcc -V

Linux 下的思路是“符号链接”。CUDA 安装程序默认会把目录放到/usr/local/cuda-11.8这种带版本号的路径下，然后通过一个软链接/usr/local/cuda指向当前要用的版本：

sudo rm /usr/local/cuda sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda

这样做的好处是，所有编译脚本里只需要写固定路径/usr/local/cuda，切换版本就等于切换软链接，不用到处修改脚本。更规范的做法是使用update-alternatives，但单纯学 CUDA 的话，软链接已经够用。

经验之谈：装完新版本一定要在命令行里重新开一个终端再敲nvcc -V，因为环境变量在不同终端会话里不一定立即生效。很多人装完以后“明明配了还是找不到”，其实十有八九是没开新终端。

3. 第一个 CUDA 程序：从核函数到编译运行

3.1 最小核函数：让 GPU 出声

环境搭好以后，第一件事不是去跑深度学习，而是写一个最简单的 CUDA 程序，验证整条链路是通的。我在 940MX 上写的第一个程序就是这样：

#include <cstdio> __global__ void hello_from_gpu() { printf("Hello from thread %d, block %d\n", threadIdx.x, blockIdx.x); } int main() { hello_from_gpu<<<2, 5>>>(); cudaDeviceSynchronize(); return 0; }

编译命令：

nvcc -arch=sm_50 -o hello hello.cu ./hello

运行后会看到 10 条输出，因为<<<2, 5>>>的意思是启动 2 个线程块，每个线程块里有 5 个线程，一共 10 个线程。这个写法看起来很抽象，但它透露了 CUDA 编程的核心思想：你先定义一个核函数，这个函数会在 GPU 上执行，然后通过尖括号语法告诉运行时你要启动多少个线程。CPU 端只负责调度的逻辑，真正的并行执行发生在 GPU 上。

cudaDeviceSynchronize()也很重要，它让 CPU 等 GPU 把活干完再继续。如果不加这一句，程序可能直接退出了，GPU 上的 printf 结果都来不及打印出来——那又是一种新式“看不懂”的报错。

3.2 向量加法：从内存拷贝到线程索引

学会 Hello World 之后，下一个必写程序是向量加法。这个程序能把 CUDA 的“显存管理 + 线程索引”全部串起来：

#include <cstdio> #include <cstdlib> __global__ void vecAdd(const float* a, const float* b, float* c, int n) { int i = blockIdx.x * blockDim.x + threadIdx.x; if (i < n) { c[i] = a[i] + b[i]; } } int main() { int n = 1 << 20; size_t bytes = n * sizeof(float); float *h_a = (float*)malloc(bytes); float *h_b = (float*)malloc(bytes); float *h_c = (float*)malloc(bytes); for (int i = 0; i < n; i++) { h_a[i] = 1.0f; h_b[i] = 2.0f; } float *d_a, *d_b, *d_c; cudaMalloc(&d_a, bytes); cudaMalloc(&d_b, bytes); cudaMalloc(&d_c, bytes); cudaMemcpy(d_a, h_a, bytes, cudaMemcpyHostToDevice); cudaMemcpy(d_b, h_b, bytes, cudaMemcpyHostToDevice); int threads = 256; int blocks = (n + threads - 1) / threads; vecAdd<<<blocks, threads>>>(d_a, d_b, d_c, n); cudaMemcpy(h_c, d_c, bytes, cudaMemcpyDeviceToHost); for (int i = 0; i < 10; i++) { printf("c[%d] = %f\n", i, h_c[i]); } cudaFree(d_a); cudaFree(d_b); cudaFree(d_c); free(h_a); free(h_b); free(h_c); return 0; }

这里的核心踩坑点在于：GPU 不能直接用 CPU 上的普通数组，必须先用cudaMalloc在显存里分配空间，再把数据用cudaMemcpy拷过去。运算结束后，结果还得从显存拷回内存。数据拷贝的带宽就那么大，40GB/s 的 940MX 很容易成为瓶颈，这也是很多并行程序眼看着“计算很快”，实际总时间没下来多少的原因。

线程索引那行是最值得多花时间吃透的地方：

int i = blockIdx.x * blockDim.x + threadIdx.x;

意思就是：当前线程在整个线程网格里的全局编号，等于“所在块编号乘以块大小，再加上块内线程编号”。比如第 3 个块、第 5 个线程，块大小 256，那全局编号就是 3 * 256 + 5。这个编号就是你要处理的数据下标，理解了这条公式，基本就理解了一维并行。

3.3 用事件计时：看看 940MX 的真实表现

写 CUDA 程序不测性能，等于白写。我用 CUDA 事件接口给向量加法加了个计时：

cudaEvent_t start, stop; cudaEventCreate(&start); cudaEventCreate(&stop); cudaEventRecord(start); vecAdd<<<blocks, threads>>>(d_a, d_b, d_c, n); cudaEventRecord(stop); cudaEventSynchronize(stop); float ms = 0; cudaEventElapsedTime(&ms, start, stop); printf("kernel time: %f ms\n", ms);

在 940MX 上跑一百万 float 的向量加法，核函数本身大概在 0.2ms 到 0.5ms 之间，主要看显存频率和是否触发 Boost 频率。但把两次cudaMemcpy的时间算进去，总耗时能到 5ms 以上。这就是为什么我反复强调“显存拷贝是老大难”的原因。学 CUDA 的人如果只盯着核函数时间看，很容易对实际性能产生误判。

这里我也顺便摸了一下这块卡的理论上限。384 个 CUDA 核心在 1242 MHz 下，FP32 理论算力大概是每秒 950 亿次浮点运算，也就是不到 1 TFLOPS。和现在动辄几十 TFLOPS 的新卡比确实不够看，但写一个小规模矩阵乘法或者卷积，完全能感受到并行计算带来的加速比。

3.4 编译参数和常见编不过的问题

在 940MX 上编译 CUDA 程序，我建议固定使用这条命令：

nvcc -arch=sm_50 -o program program.cu

-arch=sm_50是给旧卡量身定制的。如果不加这个参数，编译器会用自己的默认架构，新版本 CUDA 可能默认生成新架构的机器码，在 940MX 上运行就会报no kernel image is available。加了sm_50之后，生成的 cubin 就是 Maxwell 能识别的格式。

还有一个常见问题是编译时报错说找不到某些头文件。这种大概率是环境变量没配好，nvcc找不到 CUDA 的头文件目录。Windows 下检查INCLUDE环境变量里有没有...\CUDA\v11.8\include，Linux 下检查/usr/local/cuda/include是否被默认路径覆盖。

另外，新版 CUDA Toolkit 里已经默认不装 CUDA Samples 了。以前装完 Toolkit 就能在开始菜单里看到一堆示例工程，现在CUDA Samples 找不到非常正常，你需要自己从 GitHub 拉：

git clone https://github.com/NVIDIA/cuda-samples.git cd cuda-samples make

编译的时候如果报错说cuda_runtime.h not found，多半是 Makefile 没找到 CUDA 路径，把HOST_COMPILER和CUDA_PATH环境变量指对就行。

4. 深度学习实践：让 PyTorch 在这张卡上跑起来

4.1 那个著名的 no kernel image 报错

现在很多人学 CUDA 其实是绕道走的，本质是想跑 PyTorch。但老卡跑 PyTorch 有个标志性的大坑，就是下面这串报错：

torch.cuda.OutOfMemoryError: CUDA out of memory.

还有个更折磨人的：

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

第二行报错翻译成人话就是：PyTorch 里自带的 GPU 内核没有针对你的显卡架构编译，或者编译时用的架构和你的显卡对不上。我一度以为是驱动坏了，把驱动卸了重装，折腾一天也没用，最后才明白是 PyTorch 的 wheel 包和显卡架构不匹配。

诊断方法很简单，在 Python 里打印两行：

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

torch.cuda.get_arch_list()会输出当前 PyTorch 支持的架构列表。如果里面没有sm_50，那就说明这版 PyTorch 压根没给 Maxwell 老卡留活路。这时候要么降级到包含sm_50的旧版 PyTorch，要么自己从源码重新编译，编译时加入sm_50的目标架构。

4.2 怎么挑一个能跑的老版本

以我实测的结果来看，940MX 上最稳妥的 PyTorch 组合是 PyTorch 1.13.1 搭配 CUDA 11.7。这个版本支持 Python 3.10，而且官方 wheel 里带了sm_50的编译结果，直接装上就能用，不需要自己编译。

安装命令可以参考：

conda create -n cuda_env python=3.10 conda activate cuda_env pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 --extra-index-url https://download.pytorch.org/whl/cu117

装好以后先跑一个最简单的验证：

import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0)) x = torch.randn(1024, 1024, device="cuda") y = torch.mm(x, x) print(y.sum().item())

如果能正常输出，说明 PyTorch 已经成功调用 940MX 了。

也有一个现实问题是，现在的很多新库都在快速升级，如果你非要装最新版 PyTorch，很可能只能面对no kernel image。我的建议是，在 940MX 上就把环境锁死，别随便升级。这块卡再好学，也不是让你做生产环境的，稳定第一，性能并不重要。

4.3 跑一个小模型：MNIST 手写数字识别

为了验证整条链路确实能用于深度学习，我在 940MX 上跑了一个非常小的 LeNet 模型，数据集就用 MNIST。模型结构简单，两个卷积层加两个全连接层，总参数量不到 200K。

训练参数我是这样设置的：batch size 64，epoch 3，优化器用 Adam，学习率 0.001。940MX 没有太多显存，所以输入的图片归一化之后直接是 1x28x28 的张量，不做额外的数据增强。

整个训练过程大约十分钟跑完，准确率能到 98% 左右。这个结果放在今天的大模型时代不值一提，但对于验证“CUDA 环境 + PyTorch + 黑乎乎的老显卡”这条链路来说，意义不一样。

这里有个非常重要的认知：模型训练时的大部分时间都花在数据搬运和矩阵运算上，940MX 性能弱不代表代码逻辑有错，反而是观察 GPU 利用率和显存峰值的好机会。用nvidia-smi实时查看显存占用，你能看到显存在跳、利用率在动，那种“代码真的在 GPU 上跑”的感觉，比任何宣传都直观。

我的建议是，初学者在 940MX 上跑一个 MNIST，比在云服务器上跑一个大模型收获大得多，因为你能感受到限制，也会主动去思考如何减小 batch、如何减少中间张量、如何降低数据传输开销。

4.4 给 940MX 用户的训练调参建议

在 940MX 上跑深度学习，下面几个参数会直接影响成败：

• batch size 一定要小，32 或者 64 就够，再大可能直接 OOM。
• 图片数据不要一次性加载到 GPU，用 DataLoader 做小批量读取。
• 别开混合精度训练，Maxwell 架构的老卡对 FP16 支持很差，开了反而可能出问题。
• 尽量用 CPU 端先把数据预处理完，再转成 GPU 张量，避免在 GPU 上做大量转换。
• 如果有条件，把 PyTorch 的num_workers调成 2 以上，让数据加载在后台并行。

这些建议放到新卡上依然是有效的思路，只是新卡容错空间大，老卡容错空间小，所以你就更容易暴露问题。

5. 常见问题与排查技巧实录

5.1 错误速查表

我把这次实践中遇到的高频问题整理成了表格，方便你直接对照：

5.2 我在 940MX 上踩过的几个隐蔽坑

第一个坑是笔记本功耗管理。940MX 在部分笔记本上默认会进入节能模式，GPU 频率被锁得很低，跑出的性能数据特别难看。你想把问题定位到“显卡太老”之前，先看看电源管理模式是不是“最佳性能”。有些笔记本还要在 BIOS 里设置独显直连或者可切换显卡模式，Windows 才会稳定调用独显。

第二个坑是 CUDA Toolkit 版本和驱动的微妙关系。新驱动支持新 Toolkit，但如果你在旧驱动上强装 CUDA 12.1，运行时会出现一堆莫名其妙的错误。降低 Toolkit 版本，或者升级驱动到 525 以上，问题就消失了。我的做法是先在官网查清楚驱动对应的最低 Toolkit 版本，再决定装什么。

第三个坑是 PyTorch 的缓存和旧版残留。有时候你明明装了 1.13.1，torch.version.cuda却显示 12.1 或者更奇怪的值。原因是环境里同时存在多个 PyTorch，Python 的 import 顺序把旧的装到了前面。用pip list | findstr torch（Windows）或者pip list | grep torch（Linux）检查，干净环境建一个 conda 环境再装，能减少很多这种问题。

第四个坑是 WSL2 里提示的 CUDA 版本和 Windows 的驱动版本对不上。WSL2 里你不需要装驱动，但 Linux 侧的 CUDA Toolkit 版本必须能兼容 Windows 侧驱动的最高支持版本。如果 Windows 侧驱动是 535，那装 CUDA 11.8 或 12.1 都没问题，但千万别盲目装最新 Toolkit，先看nvidia-smi显示的 “CUDA Version”。

5.3 老卡也有自己的使用习惯

用 940MX 折腾了这么久，说点掏心窝的经验。老卡虽然性能弱，但它的调试路径更清晰，很多时候新卡一套就过的程序，在老卡上必须一步步检查架构、版本、显存大小、驱动兼容性。这虽然烦人，但恰恰是学 CUDA 编程最好的训练。你会被迫理解每个依赖项是什么，为什么需要，什么时候会发生冲突。

另外我强烈建议养成“最小复现”的习惯。比如我遇到no kernel image时，没有直接去重装全套环境，而是先写一个最简单的 CUDA 程序跑一遍，确定底层硬件和驱动没问题，再一层层分析 PyTorch 的问题。隔离问题，往往比解决问题更重要。

最后还是想劝一句：940MX 真的别去追求跑新模型。它最好的归宿，是作为一块“学习卡”，让你把 CPU 和 GPU 的分工、显存和内存的区别、线程和块的关系彻底搞明白。等你有机会换到新卡，再回头你会感谢这段用老卡抠性能、抠内存、抠兼容性的日子。那些经验，比卡本身的规格值钱得多。