从实际的角度来看，只有一个小题外话：

import torch
dev = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

这个dev现在知道cuda还是cpu。

当移到cuda时，如何处理模型和张量是有区别的。起初有点奇怪。

import torch
dev = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")
t1 = torch.randn(1,2)
t2 = torch.randn(1,2).to(dev)
print(t1)  # tensor([[-0.2678,  1.9252]])
print(t2)  # tensor([[ 0.5117, -3.6247]], device='cuda:0')
t1.to(dev) 
print(t1)  # tensor([[-0.2678,  1.9252]]) 
print(t1.is_cuda) # False
t1=t1.to(dev)
print(t1)  # tensor([[-0.2678,  1.9252]], device='cuda:0') 
print(t1.is_cuda) # True


model = M()   # not on cuda
model.to(dev) # is on cuda (all parameters)
print(next(model.parameters()).is_cuda) #True

这一切都是棘手的，一旦理解就可以帮助您以更少的调试快速处理。

只需从命令提示符或Linux环境运行以下命令。

python -c 'import torch; print(torch.cuda.is_available())'

上面应该打印True

python -c 'import torch; print(torch.rand(2,3).cuda())'

这应该打印以下内容：

tensor([[0.7997, 0.6170, 0.7042], [0.4174, 0.1494, 0.0516]], device='cuda:0')

因为这里没有提出，所以我要添加一个使用torch.device的方法，因为这很方便，而且在正确的device上初始化张量时也是如此。

# setting device on GPU if available, else CPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('Using device:', device)
print()

#Additional Info when using cuda
if device.type == 'cuda':
    print(torch.cuda.get_device_name(0))
    print('Memory Usage:')
    print('Allocated:', round(torch.cuda.memory_allocated(0)/1024**3,1), 'GB')
    print('Cached:   ', round(torch.cuda.memory_cached(0)/1024**3,1), 'GB')

输出：

Using device: cuda

Tesla K80
Memory Usage:
Allocated: 0.3 GB
Cached:    0.6 GB

如上所述，使用device 可以 ：

• 要将张量移动到相应的device ：

   torch.rand(10).to(device) 

• 要在device上直接创建张量：

   torch.rand(10, device=device) 

这使得在CPU和GPU之间切换变得舒适而无需更改实际代码。

编辑：

由于对缓存和分配的内存存在一些疑问和困惑，因此我添加了一些有关它的其他信息：

• torch.cuda.max_memory_cached(device=None)
  
  返回给定设备的缓存分配器管理的最大GPU内存（以字节为单位）。
  

• torch.cuda.memory_allocated(device=None)
  
  通过张量返回给定设备的当前GPU内存使用量（以字节为单位）。

您可以按照上面在帖子中进一步指定的方式直接移交device ，也可以将其保留为None ，它将使用current_device() 。

要检查是否有可用的GPU：

torch.cuda.is_available()

如果以上函数返回False ，

1. 你要么没有GPU，
2. 或尚未安装Nvidia驱动程序，因此操作系统看不到GPU，
3. 或GPU被环境变量CUDA_VISIBLE_DEVICES隐藏。当CUDA_VISIBLE_DEVICES值为-1时，所有设备都将被隐藏。您可以使用以下这一行在代码中检查该值： os.environ['CUDA_VISIBLE_DEVICES']

如果上述函数返回True ，则不一定意味着您正在使用GPU。在Pytorch中，您可以在创建张量时为设备分配张量。默认情况下，张量会分配给cpu 。要检查张量的分配位置，请执行以下操作：

# assuming that 'a' is a tensor created somewhere else
a.device  # returns the device where the tensor is allocated

请注意，您无法对在不同设备中分配的张量进行操作。要查看如何为GPU分配张量，请参见此处： https : //pytorch.org/docs/stable/notes/cuda.html

这将起作用：

In [1]: import torch

In [2]: torch.cuda.current_device()
Out[2]: 0

In [3]: torch.cuda.device(0)
Out[3]: <torch.cuda.device at 0x7efce0b03be0>

In [4]: torch.cuda.device_count()
Out[4]: 1

In [5]: torch.cuda.get_device_name(0)
Out[5]: 'GeForce GTX 950M'

In [6]: torch.cuda.is_available()
Out[6]: True

这说明PyTorch正在使用GPU GeForce GTX 950M 。

这里几乎所有答案都参考torch.cuda.is_available() 。但是，那只是硬币的一部分。它告诉您GPU（实际上是CUDA）是否可用，而不是实际上是否在使用它。在典型的设置中，您可以通过以下方式设置设备：

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")

但是在较大的环境（例如研究）中，通常也为用户提供更多选项，因此，基于输入，他们可以禁用CUDA，指定CUDA ID等。在这种情况下，是否使用GPU不仅取决于是否可用。将设备设置为割炬设备后，您可以获取其type属性以验证其是否为CUDA。

if device.type == 'cuda':
    # do something

FWIW：如果您在这里是因为pytorch始终为torch.cuda.is_available()提供false ， torch.cuda.is_available()可能是因为您安装了不支持GPU的pytorch版本。 （例如：您在笔记本电脑中进行了编码，然后在服务器上进行了测试）。解决方案是使用pytorch 下载页面中的正确命令再次卸载并安装pytorch。另请参阅此 pytorch问题。

开始运行训练循环后，如果要从终端手动查看它，则您的程序是否在使用GPU资源以及使用程度如何，则可以使用：

$ watch -n 2 nvidia-smi

这将每2秒更新一次使用情况统计信息，直到您按ctrl + c为止

另外，您可以通过执行以下操作来检查您的PyTorch安装是否正确检测到CUDA安装：

In [13]: import  torch

In [14]: torch.cuda.is_available()
Out[14]: True

True状态表示PyTorch已正确配置并且正在使用GPU，尽管您必须在代码中使用必需的语句移动/放置张量。

如果要在Python代码中执行此操作，请查看以下模块：

https://github.com/jonsafari/nvidia-ml-py或在pypi中： https ://pypi.python.org/pypi/nvidia-ml-py/

在办公网站和“入门”页面上，如下检查PyTorch的GPU：

import torch
torch.cuda.is_available()

参考： PyTorch |开始