### 设置 `CUDA_VISIBLE_DEVICES` 环境变量时遇到错误的解决方案 当设置 `os.environ['CUDA_VISIBLE_DEVICES'] = '1'` 出现报错的情况，可能由多种原因引起。以下是详细的分析和解决方案： #### 1. 检查环境配置 确保环境中已经安装并正确配置了 NVIDIA 驱动程序以及 CUDA 工具包。可以通过命令行工具验证驱动版本和 CUDA 版本。 ```bash nvidia-smi nvcc --version ``` 如果显示的信息不匹配或存在异常，则需重新安装相应的组件[^1]。 #### 2. 修改脚本执行方式 由于深度学习框架会在启动初期读取 `CUDA_VISIBLE_DEVICES` 变量，在 Python 脚本内部修改该变量的效果有限。建议采用如下两种方法之一来设定此参数： - **在终端中提前定义**：即在运行Python文件前先通过 shell 命令导出环境变量。 ```bash export CUDA_VISIBLE_DEVICES=1 python your_script.py ``` - **作为命令行参数传递给进程**: ```bash CUDA_VISIBLE_DEVICES=1 python your_script.py ``` 这两种做法可以有效避免因后期调整而导致的问题[^2]。 #### 3. 处理多线程或多进程中潜在冲突 对于涉及多个子进程的应用场景，需要注意每个新创建的子进程都会继承父进程的环境变量副本；然而一旦子进程被派生出来之后再做任何改动都不会影响到其他兄弟姐妹级的实例。因此应该尽量保持一致性，并考虑使用更高级别的管理机制（比如Ray库）来进行资源分配控制[^3]。 #### 4. 使用上下文管理器临时变更 为了实现更加灵活可控的行为模式，还可以借助于第三方模块如 `contextlib` 来构建自定义化的上下文处理器，从而达到仅限特定代码块内生效的目的。 ```python import contextlib import os @contextlib.contextmanager def set_visible_gpus(gpu_ids): old_value = os.getenv('CUDA_VISIBLE_DEVICES') try: os.environ['CUDA_VISIBLE_DEVICES'] = gpu_ids yield finally: if old_value is not None: os.environ['CUDA_VISIBLE_DEVICES'] = old_value else: del os.environ['CUDA_VISIBLE_DEVICES'] with set_visible_gpus('1'): import torch device_count = torch.cuda.device_count() print(f"Number of visible GPUs: {device_count}") ``` 上述例子展示了如何利用装饰器的方式安全地切换可见GPU列表而不干扰全局状态。