150块钱能玩深度学习搁以前我肯定觉得是标题党。直到我蹲了几天二手硬件市场看到P104这种“矿渣卡”被一堆人当电子垃圾甩卖再看了眼自己手里那块发热巨大、性能感人的入门卡决定赌一把。结果还真让我折腾出了一套可以日常跑实验的深度学习方案。这篇就把完整过程写下来包括很多人问的“胶带屏蔽PCIE接口”到底是怎么一回事、驱动怎么改才不会翻车、以及装完驱动之后如何把CUDA和PyTorch跑通。如果你手里也有一块类似的矿卡或者正在纠结“便宜卡到底能不能学AI”这篇文章就是给你准备的。1. 先搞清楚P104到底是什么来头1.1 这卡的硬件底子不差P104的完整型号是P104-100核心用的是GP104跟当年的GTX 1070是同一个核心家族的产物。NVIDIA当年专门做了这么一批没有视频输出接口的卡主要用途就是挖矿矿工一箱一箱往机器里插等赚够了就被批量淘汰市面上现在100多块钱就能收到。它最良心的地方在于显存。P104-100给的是8GB GDDR5X256bit位宽显存带宽接近320GB/s。这个规模拿到今天来看依然不算落伍8GB显存刚好卡在“能跑大多数深度学习入门模型”的及格线上。CUDA核心数更是讨喜GP104核心被拉到了2560个比GTX 1070的1920个还多了不少。虽然出厂频率被锁在挖矿的甜点频率上但实际跑深度学习的浮点运算比同年的入门卡强太多。对我这种只跑分类网络、小规模图像任务的玩家来说性能完全够用。1.2 为什么说它比游戏卡更划算现在二手GTX 1070依旧要400到600元而P104-100的普遍行情是150到250元甚至有的裸卡直接100出头就挂出来了。两者核心同源显存规格还更高差的只是没有视频输出、没有官方保修、风扇和散热可能被矿场摧残过。我们算一笔账。一张P104一百五一个二手额定450W的电源五十一条PCIe转接线三十整体不到三百块。对比动不动上千的RTX 3060或者两三千的4060只要不追求大模型训练和游戏这个成本几乎是零门槛。卡本身没有输出接口这件事在我看来反而不是缺点。深度学习训练流程根本不需要显卡去接显示器只需要主板上有核显或者随便一张亮机卡把系统跑起来P104安安静静当计算卡用就好连风扇曲线都是按负载跑不会傻吵。1.3 买之前必须接受的三件事第一矿卡体质参差不齐显存和供电部分很可能被矿场高温摧残过到手先做压力测试跑它半小时满载训练不花屏不死机再留下来。第二没有视频输出意味着日常使用必须插双卡或者用核显主板没有核显输出接口的配置会比较麻烦。第三官方驱动不支持P104装驱动必须改inf文件而且不是所有系统版本都顺利Win10下我实测的路线是稳定可行的Win11后续版本我没精力折腾不建议新手上来就挑战。还有一点容易被忽略部分P104需要屏蔽PCIe金手指的特定引脚之后主板才认它、驱动才装得上。这就是标题里“胶带屏蔽”的由来里面原理不复杂下一节完整拆开讲。2. 胶带屏蔽PCIe接口是啥原理到底屏蔽哪里2.1 不屏蔽会发生什么我第一次收到卡没做任何处理直接插进PCIe x16插槽开机之后主板自检能过但进系统就像“薛定谔的显卡”——设备管理器里偶尔能看到一个带黄色感叹号的未知设备更多时候直接黑屏不进桌面。折腾驱动数次之后每次都是卡在Code 43。原因不难理解。P104本质上是一张“无头计算卡”NVIDIA在它的VBIOS和硬件配置里没有按标准显卡做完整握手它挂载在SMBus总线上的一些EEPROM和监控芯片信息主板在启动阶段去读的时候容易读出一堆半成品数据轻则枚举异常重则系统认为设备状态不对驱动加载直接失败。屏蔽金手指里的SMBus引脚等于物理上切断主板和这张卡之间的“闲聊通道”让主板只把它当成一个纯粹的PCIe计算设备不再试图读取那些乱七八糟的辅助信息。这一招在当年的矿卡改造圈里很常见不仅仅是P104P106、改卡版P102都有类似操作。2.2 怎么定位要屏蔽的那几根引脚PCIe插槽的金手指并不是一整条同样长度的靠近挡板的一端长针比较多靠近显卡尾部的位置有一截短针。这截短针在PCIe规范里对应的就是SMBus、PRSNT、JTAG这类辅助信号其中最容易引发兼容冲突的就是B5和B6两个引脚分别叫SMBCLK和SMBDAT。实际操作中不必追求精确到某一个脚最容易复现的做法是把显卡安装在主板上之前先看一眼金手指尾端那截明显比其他位置短的触点然后用一条宽度大概2mm的绝缘胶带整段盖住这截短触点。盖的时候要确保胶带平整不能延伸到旁边正常长度的供电触点上否则会造成接触不良开不了机。用普通透明胶带也行但时间长了受热容易翘边电焊工用的那种绝缘胶带更耐热。我不推荐用美纹纸黏性不够插拔一次就容易移位。2.3 完整的贴胶带与验证流程操作步骤其实很机械显卡完全断电后取下用酒精棉擦一下金手指尾端保证表面干净无油。剪一条约2cm长、2mm宽的绝缘胶带小心地贴在金手指尾端短触点区域确保整段短针都被覆盖边缘不要超过到长针区域。如果担心胶带翘起可以用镊子按压一遍让胶带和铜片充分贴合。插回主板PCIe插槽开机后先不装驱动进BIOS看一眼PCIe设备窗口是否识别出一张NVIDIA设备。再到系统设备管理器里看有没有出现“NVIDIA P104-100”或者“未知设备”项。识别正常后再安装修改过的驱动按下一节的流程走。我实测下来屏蔽这一步直接决定了后续驱动安装的成功率。有几个群友跳过了这步装上了驱动大概率也伴随随机掉卡、重启后设备消失的怪毛病后来被我建议重新贴胶带问题一次性消失。2.4 不屏蔽的替代方案如果你不喜欢物理改造也有通过软件层面绕开的思路。部分主板BIOS允许手动设置PCIe链路为Gen2模式关闭ASPM和SMBus相关的节能配置有时候也能让P104被正确识别。但这个方法跟主板型号强相关成功率不如胶带来得直接。另外如果是多张P104一起跑建议直接上PCIe x1转接延长线转接板本身只引出必要的供电和PCIe信号SMBus根本没连过来天然规避了总线冲突问题。单卡还是老老实实贴胶带成本几乎为零可逆性也好不想要了撕掉就行。提示贴上胶带之后如果开机风扇完全不转、主板报错滴滴响多半是胶带贴歪了盖住了供电触点。断电检查重贴即可不必慌。3. 驱动改造才是真正的门槛3.1 选哪个版本的驱动P104-100的设备ID是1D81硬件ID形如PCI\VEN_10DEDEV_1D81。NVIDIA原版驱动安装包里根本没有这个ID的支持条目所以直接装官方驱动百分百报“找不到匹配的硬件”。我试过几类来源一是网上有人封装好的“P104专用驱动包”优点是省时间坏处是你不知道他改了什么、安不安全。二是自己在原版驱动上动手改inf靠谱、可控这里推荐后者。版本选择别追新。P104毕竟是Pascal架构的卡Win10下我长期使用466系列和472系列的Game Ready驱动稳定性很好CUDA版本能覆盖到11.x正好跟后面的PyTorch环境匹配。再新的驱动虽然也能装上但对老架构的优化和维护寥寥没必要当小白鼠。3.2 修改inf文件的通用思路驱动安装包下载好之后先不要运行安装程序用解压工具把它强制解压到某个目录。在解压出来的文件夹里找到显卡相关的inf文件常见的可能是nv_dispi.inf不同版本文件名有差异最省事的办法是解压后直接全盘搜索“1D81”或者“10DE”看哪些文件里已经有Pascal硬件ID列表。打开inf文件之后找到类似下面这种硬件支持区段[NVIDIA_Devices.NTx86.10.0] %NVIDIA_DEV.1D81% Section001, PCI\VEN_10DEDEV_1D81然后在字符串定义区[Strings]里补上对应的显示名称NVIDIA_DEV.1D81 NVIDIA P104-100不同驱动版本inf结构会有差异有些版本需要在[Manufacturer]对应的所有系统分支都加一遍有些只要加一个分支就够。我的经验是先搜索inf文件里有没有已经存在的P106或P104相关条目如果有就直接照葫芦画瓢把别人写好的条目复制到对应区段如果没有就对照硬件ID格式自己补全。改完后保存文件再右击根目录里的安装程序或setup.exe选择“以管理员身份运行”。Win10会弹出让选择显卡设备的窗口这时候就能看到带“NVIDIA P104-100”的选项了。3.3 绕过驱动签名这一步必须做改过inf文件的驱动程序没有经过数字签名Win10默认状态下安装时会直接被拦下来。我步骤里最容易被人卡住的就是这里先讲清楚。最简单的方式是临时关闭驱动签名强制开始菜单打开设置进入“更新和安全”。左侧选“恢复”在“高级启动”下点“立即重新启动”。重启后选择“疑难解答” - “高级选项” - “启动设置” - “重启”。再次重启后按数字键7或F7选择“禁用驱动程序强制签名”。进入系统后立刻安装改好的驱动安装过程中选择“自定义” - “执行清洁安装”。这个方法只在当前开机状态下有效重启后强制签名会恢复。装好驱动之后不必长期开着测试模式日常重启不影响已装驱动的加载。注意如果主板开启了Secure Boot这个“禁用签名”选项会失效。进BIOS临时把Secure Boot关掉或者直接按系统引导时那条路径操作都行。3.4 安装完的验证清单驱动装完之后不要急着高兴先做一遍验收右键开始菜单打开设备管理器在“显示适配器”下应该看到NVIDIA P104-100且没有黄色感叹号。打开命令行工具或Powershell输入nvidia-smi能看到显卡型号、驱动版本、8GB显存总量和当前功耗温度。在设备管理器的P104条目上右键查看属性确认“设备状态”显示“这个设备工作正常”。如果以上都没问题那么就可以进入深度学习环境配置阶段了。如果中间哪一步失败先别重装直接跳到第5章的排查表绝大多数问题都出在胶带没贴到位或者inf改错位置。4. 搭建深度学习环境并跑起一个真实模型4.1 版本搭配参考表P104的计算能力是6.1属于Pascal架构。这个架构对较新的CUDA版本支持度逐渐下降所以我用了比较成熟的一条组合目前实测稳定运行超过一个月组件版本建议操作系统Windows 10 LTSC / Windows 10 专业版显卡驱动466.77 / 472.12Python3.8 或 3.9PyTorch1.12.1 cu113torchvision0.13.1 cu113CUDA Toolkit无需完整安装PyTorch自带runtimecuDNN无需单独安装PyTorch已打包一个常见误区是觉得必须先装全套CUDA Toolkit才能运行PyTorch其实PyTorch的pip安装包里已经包含了CUDA运行库和cuDNN只要显卡驱动本身支持对应的CUDA版本就行。这里驱动是466系列对应CUDA 11.3配合cu113的PyTorch刚好。4.2 安装命令与避坑说明安装Anaconda之后新建一个环境然后执行conda create -n p104 python3.8 -y conda activate p104 pip install torch1.12.1cu113 torchvision0.13.1cu113 -f https://download.pytorch.org/whl/torch_stable.html如果你在墙外或者下载源速度很慢可以把-f后面的地址换成清华镜像但注意清华镜像的PyTorch版本可能没有cu113这串后缀安装之前先确认一下。pip安装完成后立刻验证GPU是否可用python -c import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))正常情况下会输出True和NVIDIA P104-100。如果你看到的是False大概率是驱动版本和PyTorch的CUDA runtime不匹配或者驱动根本没让显卡进入计算模式。4.3 用CIFAR10训练ResNet18的完整过程选ResNet18纯属因为它经典、参数规模适中训练时间短到能让你当天看到结果非常适合验证平台是否正常。这里给一份可以直接跑的脚本所有依赖上面已经装好import torch import torch.nn as nn import torchvision import torchvision.transforms as T from torch.optim import SGD transform_train T.Compose([ T.RandomCrop(32, padding4), T.RandomHorizontalFlip(), T.ToTensor(), T.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) transform_test T.Compose([ T.ToTensor(), T.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) trainset torchvision.datasets.CIFAR10(root./data, trainTrue, downloadTrue, transformtransform_train) testset torchvision.datasets.CIFAR10(root./data, trainFalse, downloadTrue, transformtransform_test) trainloader torch.utils.data.DataLoader(trainset, batch_size128, shuffleTrue, num_workers2) testloader torch.utils.data.DataLoader(testset, batch_size128, shuffleFalse, num_workers2) device torch.device(cuda if torch.cuda.is_available() else cpu) model torchvision.models.resnet18(num_classes10).to(device) criterion nn.CrossEntropyLoss() optimizer SGD(model.parameters(), lr0.1, momentum0.9, weight_decay5e-4) scheduler torch.optim.lr_scheduler.StepLR(optimizer, step_size30, gamma0.1) for epoch in range(5): model.train() running_loss 0.0 for images, labels in trainloader: images, labels images.to(device), labels.to(device) optimizer.zero_grad() outputs model(images) loss criterion(outputs, labels) loss.backward() optimizer.step() running_loss loss.item() * images.size(0) scheduler.step() model.eval() correct total 0 with torch.no_grad(): for images, labels in testloader: images, labels images.to(device), labels.to(device) outputs model(images) _, predicted torch.max(outputs, 1) total labels.size(0) correct (predicted labels).sum().item() print(fepoch {epoch 1}: loss{running_loss / len(trainset):.4f}, faccuracy{correct / total:.4f})第一次运行会自动下载CIFAR10数据集网络不好就手动去官网下载压缩包放到./data目录下PyTorch会自己解压。训练时用nvidia-smi观察显存占用正常情况下batch_size为128时显存占用在4GB上下8GB显存还能再往上加batch到256。4.4 实测表现与省显存技巧在我自己的平台上硬件是E3-1230V3处理器加16GB DDR3内存P104跑上面这个ResNet18CIFAR10一轮训练大概在90到120秒之间五个epoch不到十分钟训练完验证集准确率能到75%左右。作为平台验证这个速度完全可接受。如果你打算跑稍微大一点的模型显存很容易成为瓶颈。我经常用的两个技巧一是开启混合精度。PyTorch从1.6开始内置了自动混合精度P104这个老架构虽然对Tensor Core友好度不如后来的卡但fp16依然能实打实节省一半显存有些算子在Pascal上的fp16速度还挺可观。用法就是把原来的训练循环改成scaler torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): outputs model(images) loss criterion(outputs, labels) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()二是减少数据加载的内存峰值。把DataLoader的num_workers调到2或4prefetch_factor按需调整别贪多否则数据加载线程会把系统内存和PCIe带宽吃满显卡反而饿着。P104本身的PCIe带宽跑数据密集型任务已经有点紧尽量让数据在显存里轮回使用。5. 常见问题排查与避坑实录5.1 高频问题速查表故障现象原因分析解决办法开机黑屏或长时间无显示主板无核显P104无视频输出接口加装便宜亮机卡或用带核显的CPUBIOS里能看到设备但进系统报Code 43金手指未屏蔽或屏蔽不到位重新贴胶带确保短触点完全覆盖驱动提示找不到匹配硬件inf文件没改成功或改错区段确认DEV_1D81是否添加到所有对应目录装完驱动重启后设备消失主板和SMBus仍有冲突更换PCIe插槽或改用x1转接卡nvidia-smi显示正常但PyTorch报CUDA驱动版本不足PyTorch的cu版本高于驱动支持范围换低版本PyTorch推荐1.12.1cu113训练过程中随机花屏或驱动崩溃矿卡显存或供电老化降低显存频率做压力测试定位问题卡风扇转速不随负载变化矿卡BIOS风扇策略简单手动安装小飞机软件或刷定制风扇曲线5.2 两个值得复盘的失败案例案例一有个朋友跟我做一模一样的配置贴了胶带也改了inf驱动就是装不上一直是Code 31。远程看了半天发现他把胶带贴在了金手指的供电长针上因为他的卡金手指尾端没有明显的短触点他以为整排都是。实际上每个版本的P104做工略有差别有的矿卡经过翻新金手指磨损严重短针和长针区分不明显。这种情况用万用表量一下最保险或者直接拿主板插槽对照看金手指插入插槽后尾部明显到不了底的那几根就是短针位置。案例二我自己的卡早期频繁出现重启后掉卡表现为系统里完全找不到P104必须重新插拔一次才回来。排查半天发现是PCIe插槽的卡扣没有完全扣到位显卡轻微松动导致SMBus引脚接触不良。换了一个插槽并确保卡扣锁死后问题彻底解决。很多“玄学掉卡”其实就是物理接触问题别一上来就怪驱动。5.3 矿卡保养与寿命管理淘矿卡省下来的钱最后往往会在散热和稳定上补回来。我的习惯是到手先拆开换一遍导热硅脂显存和供电部分如果有导热垫也一并换掉花不了多少钱但温度和稳定性提升非常明显。P104原装散热器在矿场经历过长期高负载风扇轴承多半磨损如果噪音大建议直接换一个二手拆机风扇二十块钱以内搞定。还有一点很多人不知道跑深度学习跟挖矿不一样负载是间歇性的温度反而比矿场低所以只要做好清洁和换硅脂P104在深度学习场景下的寿命其实比继续挖矿长得多。我这张卡到手半年跑了不知道多少个实验至今稳定。写在最后的一点点经验折腾P104这套方案我用掉的时间大头全部花在驱动上真正跑起来之后它就是一张平平无奇的8GB NVIDIA计算卡跟几万的A100比起来除了慢没任何“脾气”。150块的成本换来的是随时可以上手试深度学习的自由度翻车了大不了损失一顿饭钱这个试错成本对新手真的太友好了。如果你看完也想动手我的建议是先别急着上多卡或者跑大模型就按这篇文章的流程用CIFAR10把环境验证一遍跑通之后你对显卡、驱动、CUDA、PyTorch这套链路就彻底有数了。接着你想试更大一点的模型、多卡并行还是干脆把它当推理卡用都会顺理成章。最后再分享一个小技巧P104这种矿卡的锁频策略很死板深度学习训练时不一定要拉高核心频率反而保住显存频率更重要。在Windows下用超频工具把核心频率稍微降低、显存频率保持不变能明显降低功耗和温度训练速度几乎不受影响。这个技巧对裸奔散热的矿渣卡非常友好我靠它让那张热得烫手的P104安安稳稳跑到了现在。