怎么看pytorch是GPU还是CPU

### 如何在 PyTorch 中确认当前使用的设备在 PyTorch 中，可以利用 `torch.device` 或者直接通过张量的 `.device` 属性来判断当前计算是在 CPU 还是 GPU 上进行。以下是具体的方法： #### 方法一：使用 `torch.cuda.is_available()` 判断 CUDA 是否可用此函数会返回一个布尔值，表示当前环境中是否有可用的 CUDA 设备（即 GPU）。如果返回 `True`，则说明环境支持 GPU 加速；反之，则仅能使用 CPU。 ```python import torch if torch.cuda.is_available(): print("当前环境支持 GPU") else: print("当前环境不支持 GPU，正在使用 CPU") ``` 这种方法适用于初步检测硬件配置情况[^1]。 #### 方法二：检查张量所在的设备创建一个张量后，可以直接访问其 `.device` 属性以获取它所处的具体设备信息。 ```python tensor = torch.tensor([1, 2]) print(f"张量所在设备: {tensor.device}") ``` 当张量位于 CPU 时，`.device` 的输出将是 `'cpu'`；而如果张量被移动到 GPU，则可能显示类似于 `'cuda:0'` 的字符串，其中数字代表具体的 GPU 编号[^1]。 #### 方法三：指定并验证目标设备为了更清晰地控制程序运行在哪种类型的处理器上，推荐先定义好预期的目标设备对象 (`torch.device`) 并据此调整操作逻辑。 ```python device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') x = torch.randn(5, device=device) print(f"x 所在设备: {x.device}") # 输出应反映实际分配结果，比如 cuda:X 或 cpu ``` 以上代码片段不仅展示了如何设置默认处理单元，还示范了怎样打印出最终选定的工作平台名称作为调试依据[^1]。 ### 总结综上所述，在 PyTorch 应用开发过程中，无论是借助全局性的功能接口如 `torch.cuda.is_available()` 来探知系统能力范围，还是针对单个数据结构实例化后的特性字段——`.device` 去追踪其实例驻留场所，都能有效达成监控作业流经路径的目的从而确保资源调度合理高效。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

下一篇 django后台管理界面切换主题