1. GPU使用效率限制

从PyTorch 1.4版本开始， 引入了一个新的功能torch.cuda.set_per_process_memory_fraction，这个功能允许用户为特定的GPU设备设置进程可使用的显存上限比例。

2. 安装与卸载问题

源码安装的PyTorch，卸载需要施行特定命令。比方说 可以通过PPA proprietary graphics driver team 开发的包安装CUDA，可参考特定教程。

3. 环境配置限制

PyTorch在Ubuntu上的使用限制主要体现在环境配置方面。比方说安装CUDA和CuDNN等环境配置可能遇到问题。

4. 计算效率限制

在使用PyTorch进行深度学习训练时可能会遇到计算效率限制。比方说 在使用CUDA时可能会出现Unexpected bus error encountered in worker的错误。

5. 虚拟环境限制

每次创建新的项目时 需要使用新的环境，并导入PyTorch框架。这可能需要在虚拟机上安装Ubuntu操作系统，并进行PyTorch环境搭建。

6. 服务器环境限制

对于服务器深度学习PyTorch开发环境，可能需要配置tmux在不使用apt-get的情况下安装和使用。

7. 硬件限制

在安装PyTorch时需要检查是否有支持CUDA的GPU。如果没有支持CUDA的GPU，则需要安装CUDA和CuDNN等硬件相关环境。

8. 软件版本限制

在使用PyTorch时需要确保所使用的软件版本与操作系统和CUDA版本兼容。

9. 网络限制

在使用PyTorch时 可能需要访问特定的网络资源，比方说下载库文件等。如果网络环境有限制，可能会影响PyTorch的使用。

10. 平安限制

在使用PyTorch时 需要关注系统的平安限制，比方说防止恶意代码的攻击等。

在Ubuntu上使用PyTorch可能会遇到多种限制， 包括GPU使用效率、安装与卸载、环境配置、计算效率、虚拟环境、服务器环境、硬件、软件版本、网络和平安等。了解这些限制并采取相应的措施，可以帮助用户更好地使用PyTorch。

---