### Linux 下使用 Python 调用 GPU 的方法 要在 Linux 环境下通过 Python 调用 GPU 来加速计算，通常需要以下几个关键步骤： #### 1. 安装 NVIDIA 驱动程序 为了使 GPU 可用于深度学习框架或其他高性能计算任务，必须先安装适合的 NVIDIA 显卡驱动程序。可以通过系统的包管理工具（如 `apt` 或 `yum`）或者手动下载并安装最新的驱动版本[^2]。 对于基于 Debian/Ubuntu 的系统，可以执行以下命令来安装官方推荐的驱动： ```bash sudo apt update sudo ubuntu-drivers autoinstall ``` 完成后重启计算机以加载新的驱动程序。 #### 2. 安装 CUDA 工具包 CUDA 是由 NVIDIA 提供的一个通用并行计算平台和编程模型，它允许开发者利用 GPU 加速应用程序性能。安装 CUDA SDK 同样重要，因为它提供了必要的库和支持文件以便于开发人员编写能够充分利用 GPU 性能的应用程序。 可以从 NVIDIA 官方网站获取对应操作系统的 CUDA Toolkit 并按照说明进行配置。例如，在 Ubuntu 上可能涉及解压 tarball 文件以及设置环境变量 PATH 和 LD_LIBRARY_PATH 指向新安装的位置。 #### 3. 设置可见设备列表 (Optional but Recommended) 如果有多张显卡存在，则可通过调整环境变量 `CUDA_VISIBLE_DEVICES` 来控制具体哪些物理设备会被当前进程所看到及访问[^3]。这一步可以帮助分配资源给不同的作业流程从而提高整体效率。 假设只希望第二号显卡参与运算过程的话，可以在启动脚本前加上这样的一条指令： ```bash export CUDA_VISIBLE_DEVICES="2" ``` 之后再正常运行 python script 即可自动限定范围内的硬件设施作为目标处理单元之一。 #### 4. 配置深度学习框架支持 GPU 大多数流行的机器学习框架都内置了对 nVidia GPUs 的良好兼容性选项。比如 TensorFlow, PyTorch 等都可以轻松切换到 GPU mode 。只需要确保这些软件包已经正确编译并且链接到了本地存在的 cuda 库之上就可以了。 以下是两个主流框架启用 gpu 支持的例子: ##### For Tensorflow: 确认 tensorflow-gpu 版本已安装完毕后尝试打印可用 device list 查看是否有 cuda related entries 出现。 ```python import tensorflow as tf print(tf.config.list_physical_devices('GPU')) ``` ##### For Pytorch: 同样验证 pytorch 是否检测到了图形处理器的存在状况。 ```python import torch print(torch.cuda.is_available()) ``` 以上两段代码片段分别展示了如何查询各自框架内部关于是否存在有效连接至cuda core的信息反馈机制[^1]。 --- ### 注意事项 尽管上述指南涵盖了大部分情况下实现 linux/python/gpu 组合所需的基础知识要点，但在实际部署过程中仍可能会遇到各种意想不到的技术难题。因此建议随时查阅相关文档资料保持最新状态的同时也要善于运用社区力量寻求帮助解决问题。