### 如何确保在Jupyter Notebook中使用GPU版本的PyTorch 为了确保在Jupyter Notebook中使用GPU版本的PyTorch，需要完成以下几个方面的操作： #### 创建并激活虚拟环境 首先，在安装任何依赖之前，建议创建一个新的Conda虚拟环境来隔离项目所需的库。这可以通过以下命令实现[^3]： ```bash conda create -n pytorch-gpu python=3.8 ``` 随后激活该虚拟环境： ```bash conda activate pytorch-gpu ``` #### 安装适合硬件配置的PyTorch GPU版本 进入PyTorch官方网站 (https://pytorch.org/) 并根据计算机的具体配置选择合适的安装指令。如果设备具备支持CUDA的NVIDIA显卡，则应选择带有CUDA支持的PyTorch版本；反之则需选用CPU-only版本[^2]。 对于具有CUDA兼容性的系统，可执行如下命令（假设目标为Python 3.x 和 CUDA 11.7 版本）： ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 ``` 或者通过Conda渠道进行安装： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia ``` #### 验证PyTorch是否正确识别GPU资源 即使已成功安装了含CUDA功能的PyTorch包，仍可能出现`torch.cuda.is_available()`返回False的情况。这种现象可能由多种因素引起，比如未正确定位到可用的GPU驱动程序或缺乏必要的运行时组件。此时可通过下面方法排查问题所在： - **确认NVIDIA驱动器状态**：保证操作系统上已经安装最新版NVIDIA图形驱动，并且其版本号满足所选CUDA工具套件的要求。 - **检查CUDA可见性设置**：有时由于多GPU架构的存在，应用程序默认不会自动选取特定物理设备作为计算单元。因此有必要手动指定哪一块或多块GPU参与运算过程。例如利用环境变量控制： ```bash export CUDA_VISIBLE_DEVICES=0,1 ``` 另外值得注意的一点是，即便上述条件均得到满足，也有可能因其他软件冲突而导致失败案例发生。这时尝试重启整个开发平台或许能够解决问题。 #### 将新构建好的虚拟环境关联至Jupyter Kernel列表里去 最后一步也是至关重要的环节——让Jupyter Notebook知道刚刚建立起来的那个包含了完整PyTorch框架及其附属模块的新环境。具体做法如下所示： ```bash python -m ipykernel install --user --name pytorch-gpu --display-name "Python (PyTorch-GPU)" ``` 之后打开Notebook界面的时候就能看到新增加出来的选项项“Python (PyTorch-GPU)”，切换过去即可开始基于此环境下编写代码逻辑测试模型性能表现啦！ --- ### 示例代码片段用于检测当前工作区是否启用了GPU加速特性 以下是简单的验证脚本供参考： ```python import torch if not torch.cuda.is_available(): raise SystemError('No GPUs detected') device_count = torch.cuda.device_count() print(f'Number of available devices: {device_count}') for i in range(device_count): device_name = torch.cuda.get_device_name(i) print(f'Device name [{i}]: {device_name}') current_device_index = torch.cuda.current_device() print(f'Current active device index: {current_device_index}') ```