CUDA装好了怎么确认它真能用？终端和Python各有什么快速检测方法？

### 验证 CUDA 安装的有效性为了确认 CUDA 是否已成功安装并且可以正常工作，可以通过运行一些简单的测试来验证。以下是几种常用的方法： #### 使用 `nvcc` 编译器进行验证通过编写一段简单的 C++ 程序并使用 NVIDIA 提供的编译工具链来进行编译和执行是一个有效的方式。 ```cpp // test_cuda.cu #include <stdio.h> int main() { int deviceCount; cudaError_t error = cudaGetDeviceCount(&deviceCount); if (error != cudaSuccess) { printf("CUDA Error: %s\n", cudaGetErrorString(error)); return 1; } printf("Number of devices: %d\n", deviceCount); for (int i = 0; i < deviceCount; ++i) { cudaDeviceProp prop; cudaGetDeviceProperties(&prop, i); printf("Device Number: %d\n", i); printf(" Device name: %s\n", prop.name); printf(" Memory Clock Rate (KHz): %d\n", prop.memoryClockRate); printf(" Memory Bus Width (bits): %d\n", prop.memoryBusWidth); printf(" Peak Memory Bandwidth (GB/s): %.1f\n", 2.0 * prop.memoryClockRate * (prop.memoryBusWidth / 8) / 1.0e6); } } ``` 编译上述代码可采用如下命令[^1]: ```bash nvcc -o test_cuda test_cuda.cu ./test_cuda ``` 如果一切顺利，则会显示 GPU 设备的信息；如果有任何错误提示，则说明可能存在配置问题或驱动未正确加载等问题。 #### 利用 Python 和 PyTorch 库检测 CUDA 可用性对于那些更倾向于利用高级框架如 PyTorch 来开发应用的人来说，也可以借助这些库内置的功能快速判断当前环境是否支持 CUDA 加速计算。 ```python import torch print(f"CUDA Available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"Current Device: {torch.cuda.current_device()}") print(f"Device Name: {torch.cuda.get_device_name(0)}") else: print("No CUDA support detected.") ``` 这段脚本将会输出有关可用设备及其名称的消息，前提是已经按照官方指南完成了必要的依赖项设置以及路径变量调整等工作[^2]。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 Java和Python里怎么安全地把任意对象变成整数？有什么常见坑？