### 如何在 Python 中检测 GPU 是否正在被使用 #### TensorFlow 的 GPU 检测方法 可以通过以下代码来检测 TensorFlow 是否能够识别并使用 GPU： ```python import tensorflow as tf print("TensorFlow Version:", tf.__version__) if tf.test.is_built_with_cuda(): print("CUDA is available.") else: print("CUDA is not available.") # 判断是否有可用的 GPU is_gpu_available = tf.test.is_gpu_available() print(f"GPU Available: {is_gpu_available}") # 获取物理设备列表 gpus = tf.config.list_physical_devices('GPU') print(f"Physical GPUs Detected: {len(gpus)}") for i, gpu in enumerate(gpus): print(f"GPU {i}: {gpu}") ``` 上述代码通过 `tf.test.is_gpu_available()` 和 `tf.config.list_physical_devices('GPU')` 来判断是否存在可用的 GPU 设备[^1]。 --- #### PyTorch 的 GPU 检测方法 对于 PyTorch，可以使用如下代码来检测 GPU 是否可用以及当前使用的设备信息： ```python import torch print("PyTorch Version:", torch.__version__) # 检查 CUDA 是否可用 cuda_available = torch.cuda.is_available() print(f"CUDA Available: {cuda_available}") # 如果有多个 GPU，则打印所有 GPU 名称 device_count = torch.cuda.device_count() print(f"Number of GPUs: {device_count}") for i in range(device_count): device_name = torch.cuda.get_device_name(i) print(f"Device Name (GPU {i}): {device_name}") # 当前默认设备名称 current_device = torch.cuda.current_device() print(f"Current Device Index: {current_device}") print(f"Current Device Name: {torch.cuda.get_device_name(current_device)}") ``` 此部分代码利用了 `torch.cuda.is_available()` 函数来确认是否支持 GPU 计算，并通过 `torch.cuda.device_count()` 返回可访问的 GPU 数量[^2]。 --- #### 使用 nvidia-smi 查看 GPU 资源占用情况 除了编程方式外，还可以借助命令行工具 **nvidia-smi** 实时监控 GPU 的资源使用状态。运行以下命令即可获取详细的 GPU 占用率、显存分配等信息： ```bash nvidia-smi ``` 该命令提供了关于 GPU 温度、功耗、内存利用率等方面的实时数据，帮助开发者了解硬件的工作负载状况[^4]。 --- ### 总结 无论是 TensorFlow 还是 PyTorch，在 Python 环境中都可以轻松实现对 GPU 可用性的检查。前者依赖于内置函数如 `tf.test.is_gpu_available()` 和配置接口；后者则依靠 `torch.cuda.*` 提供的一系列便捷 API。与此同时，外部工具比如 nvidia-smi 是一种直观有效的补充手段用于进一步分析实际运行环境下的性能表现。