### 如何在 Python 中检测和列出可用的多个 GPU 设备 为了有效地管理和利用多GPU资源，在Python中可以通过多种方式来检测和列出系统中的GPU设备。以下是几种常用的方法： #### 使用 `nvidia-smi` 命令结合子进程调用 通过Python的标准库subprocess模块执行操作系统级别的命令，可以获取到有关NVIDIA GPU的状态信息。 ```python import subprocess def get_gpu_info(): result = subprocess.run(['nvidia-smi', '-L'], stdout=subprocess.PIPE) gpus = [] for line in result.stdout.decode().strip().split('\n'): parts = line.split(' ') gpu_id = parts[1][:-1] # Remove colon at end. uuid = parts[-1] name = ' '.join(parts[2:-3]) gpus.append({'id': gpu_id, 'name': name, 'uuid': uuid}) return gpus gpus = get_gpu_info() for idx, gpu in enumerate(gpus): print(f"GPU {idx}: {gpu['name']} (UUID={gpu['uuid']})") ``` 这种方法依赖于安装了 NVIDIA 驱动程序以及 nvidia-smi 工具的存在[^1]。 #### 利用 PyTorch 库查询 GPU 详情 PyTorch 提供了一套简洁易用的功能接口来进行硬件配置管理，包括但不限于枚举可见的CUDA设备数量及其属性。 ```python import torch if not torch.cuda.is_available(): print("No CUDA devices found.") else: device_count = torch.cuda.device_count() print(f"CUDA Device Count: {device_count}") for i in range(device_count): props = torch.cuda.get_device_properties(i) print(f"\nDevice ID: {i}\nName: {props.name}\nTotal Memory [{props.total_memory / 1024 ** 2:.0f} MB]\n" f"MultiProcessor Count: {props.multi_processor_count}\nMajor/Minor Compute Capability: " f"{props.major}.{props.minor}") ``` 这段代码能够展示每一块支持CUDA技术的图形处理器的名字、总内存大小以及其他重要的规格参数[^3]. #### TensorFlow 的 tf.config.list_physical_devices 方法 对于那些倾向于使用TensorFlow框架的人来说，也可以借助其内置工具tf.config.list_physical_devices() 来检索物理上的GPU列表。 ```python import tensorflow as tf physical_gpus = tf.config.experimental_list_physical_devices('GPU') if physical_gpus: for gpu in physical_gpus: print(f"Found Physical GPU: {gpu}") else: print("No GPUs were detected.") ``` 上述三种途径均能有效完成对本地计算机内所连接的所有兼容CUDA标准之GPU单元进行全面扫描的任务，并返回相应的描述性数据给开发者以便进一步处理或分析。