更换显卡后，之前的pytorch环境还能接着使用吗

请问各位朋友，电脑上现在是1660显卡，如果直接把它换成3050显卡插上，之前配置好的pytorch环境还可以接着正常使用吗？可以不更改环境配置继续进行训练吗？
主要是1660显卡不能正常跑yolov5的训练。

看你的cuda版本是否大于11.0,大于这个只要你的显卡驱动能支持cuda11.x就可以跑，不需要重新安装。如果你之前1660用的是10.2及其以下版本的cuda，30系不支持就得全部换环境。
另外，1660可以正常跑yolov5的，你跑不了应该是别的问题

不能，gpu加速 需要不同的配置

• 你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/7469646
• 这篇博客也不错, 你可以看下PyTorch实现yolov3代码详细解密（三）
• 除此之外, 这篇博客: 基于pytorch的yolo稀疏训练与模型剪枝中的 剪枝前后的对比 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• 1. 下图为对部分卷积层进行剪枝前后通道数的变化：

     

     部分卷积层的通道数大幅度减少

  2. 剪枝前后指标对比：

     	参数数量	模型体积	Flops	前向推断耗时（2070 TI）	mAP
     Baseline (416)	61.5M	246.4MB	32.8B	15.0 ms	0.7692
     Prune (416)	10.9M	43.6MB	9.6B	7.7 ms	0.7722
     Finetune (416)	同上	同上	同上	同上	0.7750

     加入稀疏正则项之后，mAP 反而更高了（在实验过程中发现，其实 mAP上下波动 0.02 是正常现象），因此可以认为稀疏训练得到的 mAP 与正常训练几乎一致。将 prune 后得到的模型进行 finetune 并没有明显的提升，因此剪枝三步可以直接简化成两步。剪枝前后模型的参数量、模型大小降为原来的 1/6 ，FLOPs 降为原来的 1/3，前向推断的速度可以达到原来的 2 倍，同时可以保持 mAP 基本不变。需要明确的是，上面表格中剪枝的效果是只是针对该数据集的，不一定能保证在其他数据集上也有同样的效果

  3. 剪枝后模型的测试：

     Prune 模型的权重已放在百度网盘上 （提取码: gnzx），可以通过执行以下代码进行测试：

     python test.py --model_def config/prune_yolov3-hand.cfg --weights_path weights/prune_yolov3_ckpt.pth --data_config config/oxfordhand.data --class_path data/oxfordhand.names --conf_thres 0.01