一、查看电脑本地的GPU

如何确认本地电脑是否配备了可用的 GPU（尤其是能用于深度学习加速的 NVIDIA GPU）？

通用方法（系统层面查看硬件）

• 方式 1：设备管理器

1. 按下 Win + X，选择「设备管理器」；
2. 展开「显示适配器」选项，查看列表中的设备：
   • 如果看到 NVIDIA GeForce/RTX/TITAN 等字样，说明有 NVIDIA GPU（支持 CUDA 加速）；
   • 如果只有「Intel UHD Graphics/AMD Radeon」，则是集成显卡 / AMD 显卡（AMD 显卡对 TensorFlow/PyTorch 加速支持有限）。
     

• 方式 2：任务管理器

1. 按下 Ctrl + Shift + Esc 打开任务管理器；
2. 切换到「性能」标签，左侧列表若有「GPU 0/1」且名称为 NVIDIA 系列，即为独立 GPU。
   

二、电脑中的两种显卡

你看到的 NVIDIA GeForce MX450 确实是独立 GPU，而且是支持 CUDA 加速的 NVIDIA 显卡，完全可以用来加速 VulDeePecker 程序的 BLSTM 模型训练。

补充说明

1. 显卡类型区分：

• Intel® Iris® Xe Graphics 是英特尔的集成显卡，不支持 CUDA 加速，TensorFlow 不会用它来跑深度学习任务；
• NVIDIA GeForce MX450 是 NVIDIA 独立显卡，属于入门级但完全兼容 CUDA，能显著提升模型训练速度。

2. 下一步验证（确保 TensorFlow 能调用）：

激活你的 vuldeepecker conda 环境，执行以下验证：

# 1. 检查 NVIDIA 驱动是否正常（关键）
nvidia-smi

• 如果输出包含 MX450 的型号、驱动版本、CUDA Version 等信息，说明驱动正常；
• 如果提示命令不存在，先安装 NVIDIA 官方驱动（下载地址（https://www.nvidia.com/en-us/drivers/），选择 MX450 对应的驱动）。

# 2. 进入 Python 验证 TensorFlow 是否识别 GPU
python
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

• 若输出类似 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]，说明 TensorFlow 已识别 MX450；
• 若输出空列表 []，检查 TensorFlow 版本与 CUDA/CUDNN 版本是否兼容（MX450 建议搭配 CUDA 11.2 + TensorFlow 2.8）。

3. MX450 运行注意事项：

• MX450 显存通常为 2GB/4GB，若运行时提示「显存不足」，可修改 blstm.py 中的 batch_size（调小，比如从 32 改为 16/8）；
• 即使显存小，也能正常运行，只是训练速度会比高端显卡慢，但远快于纯 CPU。

总结

1. NVIDIA GeForce MX450 是可用的 GPU，支持 CUDA 加速；
2. 先通过 nvidia-smi 确认驱动正常，再用 TensorFlow 代码验证 GPU 识别；
3. 若遇显存不足，调小批次大小即可正常运行 VulDeePecker 程序。

三、如何利用GPU加速？

解决 CUDA 警告（启用 GPU 加速）

如果你想利用 MX450 显卡加速（去掉 cudart64_110.dll 警告），需安装匹配的 CUDA 和 CUDNN：

1. 下载 CUDA 11.2（适配 TensorFlow 2.8 + MX450）：

   • 地址：https://developer.nvidia.com/cuda-11.2.0-download-archive
   • 选择 Windows 版本，按提示安装（默认路径即可）；

2. 下载 CUDNN 8.1.0（适配 CUDA 11.2）：

   • 地址：https://developer.nvidia.com/rdp/cudnn-archive
   • 下载后解压，将 bin/include/lib 文件夹复制到 CUDA 安装目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2）；

3. 配置系统环境变量：

   • 新增 CUDA_PATH：值为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2；
   • 把 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin 添加到 Path 变量；

4. 重启终端，重新激活环境，运行程序即可去掉 CUDA 警告。