@deepin-流云 你想看的分享来了～

五、创建桌面快捷方式（可选）

可以为你的 ComfyUI 启动命令创建一个桌面快捷方式（.desktop 文件）。

方法一：直接创建快捷方式（推荐）

这是最简单直接的方法。在你的桌面（通常是 ~/Desktop）创建一个名为 ComfyUI.desktop 的文件，内容如下：

[Desktop Entry]
Version=1.0
Type=Application
Name=ComfyUI
Comment=启动 ComfyUI AI 绘画工作流
# 重要：这里的路径请替换成你的 ComfyUI 项目绝对路径
Exec=bash -c "cd /home/kookboy/AI_PS/ComfyUI && source venv/bin/activate && python main.py --listen 0.0.0.0 --port 8188"
Icon=applications-ai
Terminal=true
Categories=Graphics;AI;Development;
# 此行确保快捷方式在 Deepin 等桌面环境中可被信任
StartupWMClass=ComfyUI

操作步骤：

1. 打开终端，使用文本编辑器创建并编辑文件：

   sudo nano ~/Desktop/ComfyUI.desktop
   

2. 将上面的内容粘贴进去。最关键的一步：修改 Exec= 行中的 /home/kookboy/AI_PS/ComfyUI，确保它是你电脑上 ComfyUI 项目的绝对路径。如果不确定，可以在终端中输入 pwd 命令查看。

3. 按 Ctrl+X，然后按 Y，再按回车保存并退出。

4. 最后，给这个文件添加可执行权限：

   sudo chmod +x ~/Desktop/ComfyUI.desktop
   

完成以上操作后，桌面就会出现一个名为 “ComfyUI” 的图标。双击它，系统会自动打开一个终端并执行你预设的完整启动命令。

方法二：通过启动脚本创建（更易维护）

如果你以后可能需要修改启动参数，这种方式会更方便。

1. 创建启动脚本（例如放在 ComfyUI 目录下）：

   sudo nano ~/AI_PS/ComfyUI/start_comfyui.sh
   

   内容如下：

   #!/bin/bash
   cd "$(dirname "$0")" # 自动切换到脚本所在目录（即ComfyUI目录）
   source venv/bin/activate
   python main.py --listen 0.0.0.0 --port 8188
   

   保存后，赋予执行权限：

   sudo chmod +x ~/AI_PS/ComfyUI/start_comfyui.sh
   

2. 创建桌面快捷方式，Exec 行指向这个脚本：

   [Desktop Entry]
   Version=1.0
   Type=Application
   Name=ComfyUI
   Comment=启动 ComfyUI AI 绘画工作流
   # 这里的路径同样需要替换为你的实际绝对路径
   Exec=/home/kookboy/AI_PS/ComfyUI/start_comfyui.sh
   Icon=applications-ai
   Terminal=true
   Categories=Graphics;AI;Development;
   StartupWMClass=ComfyUI
   

   同样保存到 ~/Desktop/ComfyUI.desktop 并赋予可执行权限。

两个关键提示：

• 图标：你可以将 Icon= 后的 applications-ai 替换为任何系统已知的图标名称，或者指向一个 .png 或 .svg 图片的绝对路径（如 Icon=/home/kookboy/AI_PS/ComfyUI/icon.png）。
• 双击运行：首次双击时，Deepin 桌面环境可能会询问你是否信任此启动器，选择“信任并启动”即可。

如果首次启动不成功，通常是因为路径不正确。你可以尝试在终端中手动运行 Exec= 行中的命令来调试。如果需要进一步的帮助，请告诉我具体的错误信息。

这是我的配置信息：

桌面图标显示效果，第二版：下载改名如配置中的名称一样。

又生成了一些图标，不知道大伙更喜欢哪一个？我不是搞专业图形设计的，就是爱瞎折腾玩玩。

百度AI生成的：

我用comfyui生成的：

大佬

期待大家用你的教程多多生成美图

大哥，A卡不配吃饭么

我没有A卡，所以没法去测试。但ComfyUI官网有A卡的安装方法，这个须你去尝试了。而且，要查询下你的A卡是否在官方推荐的型号内。

我用的就是a卡，采用pytorch2.9.1+rocm6.4

嗯，兄台也可以分享下A卡安装经验帖子，其实安装应该也不难。

难的是ComfyUI的使用，不过B站有好多使用教程，哈哈哈～

相当的秀儿~

技术大牛。

技术大牛。技术大牛。

安装后运行出现如下：

你遇到的错误是：

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

这是一个非常常见的 CUDA 编译/运行时错误，意思是：你的程序编译生成的 CUDA 内核（kernel）代码不包含当前 GPU 设备所支持的架构版本（compute capability），因此无法在该设备上执行。

🔍 错误原因详解

当你用 PyTorch、TensorFlow 或其他基于 CUDA 的框架训练或推理模型时，底层会调用 NVIDIA CUDA 编译器（nvcc）来编译自定义算子或内核。如果编译时没有指定目标 GPU 架构（-gencode arch=compute_XX,code=sm_XX），或者指定的架构与你当前使用的 GPU 不匹配，就会报这个错。

例如：

• 你用 RTX 3090（compute capability 8.6）运行程序
• 但程序编译时只支持 sm_75（如 V100/T4）
  → 就会报错：“no kernel image is available for execution on the device”

✅ 解决方案

方法一：重新安装适配你 GPU 的 PyTorch 版本（推荐新手）

这是最简单有效的方法！

步骤：

1. 查看你的 GPU 型号和 Compute Capability

   • 打开终端 / CMD，输入：

     nvidia-smi
     

     记下显卡型号（比如 “NVIDIA GeForce RTX 4090”）

2. 查对应 compute capability

   • 访问官方文档：https://developer.nvidia.com/cuda-gpus
   • 找到你的显卡对应的 Compute Capability，比如：
     • RTX 4090 → 8.9
     • RTX 3090 → 8.6
     • A100 → 8.0
     • V100 → 7.0

3. 去 PyTorch 官网选择匹配的版本

   • 访问：https://pytorch.org/get-started/locally/
   • 选择：
     • OS: 你的系统
     • Package: pip / conda
     • Language: Python
     • Compute Platform: 选比你 GPU compute capability 小或相等的最大值

       ️ 注意：PyTorch 预编译包通常只支持到某个最大 SM 版本。如果你的 GPU 太新（比如 H100 / 4090），可能需要从源码编译或使用 nightly 版本。

   举例：

   • 如果你是 RTX 4090 (SM 8.9)，目前稳定版 PyTorch 最高支持到 SM 8.6（Ampere），你可以先尝试安装支持 Ampere 的版本，它通常也能在 Ada Lovelace 上运行（向后兼容）。
   • 如果不行，考虑使用 pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu121 安装 nightly 版本。

4. 卸载旧版并重装

   pip uninstall torch torchvision torchaudio
   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
   

方法二：手动设置环境变量强制使用特定架构（高级用户）

如果你是从源码编译项目（比如 custom ops），可以设置：

export TORCH_CUDA_ARCH_LIST="8.6"  # 替换成你的 GPU 的 compute capability

然后重新编译项目。

💡 提示：多个架构可以用空格分隔，如 "7.5 8.0 8.6"

方法三：启用调试信息（用于定位问题）

正如错误提示所说：

export CUDA_LAUNCH_BLOCKING=1

这会让 CUDA 错误同步抛出，堆栈更准确。

还可以加上：

export TORCH_USE_CUDA_DSA=1

启用设备端断言，帮助调试内核内部错误。

🧪 验证是否解决

运行以下 Python 代码测试：

import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))
x = torch.rand(5, 3).cuda()
y = torch.rand(5, 3).cuda()
z = x + y
print(z)

如果不报错且能输出结果，说明问题解决。

❗常见陷阱

• 使用了过旧的 PyTorch 版本（不支持新 GPU）
• 在多卡环境中，某张卡太老导致整体失败
• Docker 容器中 CUDA 驱动与主机不一致
• 虚拟环境未激活或依赖冲突

✅ 总结快速修复步骤（适合大多数用户）

1. 运行 nvidia-smi 看显卡型号
2. 查 https://developer.nvidia.com/cuda-gpus 得 compute capability
3. 去 https://pytorch.org/get-started/locally/ 选匹配的 CUDA 版本
4. 卸载旧 torch → 安装新版
5. 测试 torch.cuda.is_available() 和简单 tensor 运算

✅ 按照以上操作，99% 的情况都能解决！