查看、指定使用的 GPU 数量和编号

JjWang__HUST2024-07-27 8:20

在使用 PyTorch 框架时，可以通过以下步骤查看可用的 GPU 数量，指定使用的 GPU 编号，并在代码中体现这一点。下面以2个GPU为例：

目录

  • 一、脚本代码块实现
    • [1. 查看可用的 GPU](#1. 查看可用的 GPU)
    • [2. 指定使用 GPU 的数量和编号](#2. 指定使用 GPU 的数量和编号)
      • [使用 `CUDA_VISIBLE_DEVICES` 环境变量](#使用 CUDA_VISIBLE_DEVICES 环境变量)
      • [将模型和数据移动到指定的 GPU](#将模型和数据移动到指定的 GPU)
      • [使用 `DataParallel` 进行多 GPU 并行计算](#使用 DataParallel 进行多 GPU 并行计算)
    • [3. 示例完整代码](#3. 示例完整代码)
  • 二、命令行实现
    • [1. 使用 `CUDA_VISIBLE_DEVICES` 环境变量](#1. 使用 CUDA_VISIBLE_DEVICES 环境变量)
      • [只使用 GPU 0](#只使用 GPU 0)
      • [使用 GPU 0 和 GPU 1](#使用 GPU 0 和 GPU 1)
    • [2. 在 Python 代码中自动检测可用 GPU](#2. 在 Python 代码中自动检测可用 GPU)
    • [3. 结合 `CUDA_VISIBLE_DEVICES` 和 PyTorch 代码](#3. 结合 CUDA_VISIBLE_DEVICES 和 PyTorch 代码)

一、脚本代码块实现

1. 查看可用的 GPU

python 复制代码 
import torch

if torch.cuda.is_available():
    num_gpus = torch.cuda.device_count()
    print(f"Available GPUs: {num_gpus}")
    for i in range(num_gpus):
        print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
else:
    print("No GPUs available")

2. 指定使用 GPU 的数量和编号

在 PyTorch 中，可以通过以下几种方法来指定使用的 GPU。

使用 CUDA_VISIBLE_DEVICES 环境变量

可以在代码中设置环境变量来指定使用的 GPU：

python 复制代码 
import os

# 只使用 GPU 0 和 GPU 1
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"

import torch

# 检查可用的 GPU
if torch.cuda.is_available():
    num_gpus = torch.cuda.device_count()
    print(f"Available GPUs: {num_gpus}")
    for i in range(num_gpus):
        print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
else:
    print("No GPUs available")

将模型和数据移动到指定的 GPU

可以将模型和数据移动到指定的 GPU。例如：

python 复制代码 
import torch

# 检查是否有 GPU 可用
if torch.cuda.is_available():
    # 将模型移动到 GPU 0
    device0 = torch.device('cuda:0')
    model = MyModel().to(device0)
    
    # 将数据移动到 GPU 1
    device1 = torch.device('cuda:1')
    data = data.to(device1)
else:
    device = torch.device('cpu')
    model = MyModel().to(device)
    data = data.to(device)

使用 DataParallel 进行多 GPU 并行计算

可以使用 torch.nn.DataParallel 来让模型在多个 GPU 上并行运行：

python 复制代码 
import torch
import torch.nn as nn

# 假设模型已经定义好
model = MyModel()

if torch.cuda.is_available():
    # 使用 DataParallel 并行运行在多个 GPU 上
    model = nn.DataParallel(model, device_ids=[0, 1])
    model = model.cuda()
else:
    device = torch.device('cpu')
    model = model.to(device)

3. 示例完整代码

以下是一个完整的示例，演示了如何在 PyTorch 中查看 GPU 数量、指定使用 GPU，并在代码中体现：

python 复制代码 
import os
import torch
import torch.nn as nn

# 设置使用的 GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"

# 查看可用的 GPU
if torch.cuda.is_available():
    num_gpus = torch.cuda.device_count()
    print(f"Available GPUs: {num_gpus}")
    for i in range(num_gpus):
        print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
else:
    print("No GPUs available")

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.layer = nn.Linear(10, 10)

    def forward(self, x):
        return self.layer(x)

model = MyModel()

# 将模型移动到 GPU
if torch.cuda.is_available():
    model = nn.DataParallel(model, device_ids=[0, 1])
    model = model.cuda()

# 示例数据
data = torch.randn(5, 10).cuda()

# 前向传播
output = model(data)
print(output)

在命令行中，可以使用环境变量 CUDA_VISIBLE_DEVICES 来指定使用的 GPU 数量和编号。这种方法对 PyTorch 非常有效。以下是详细步骤：

二、命令行实现

1. 使用 CUDA_VISIBLE_DEVICES 环境变量

在运行 Python 脚本时，通过设置 CUDA_VISIBLE_DEVICES 环境变量来指定哪些 GPU 可见。例如：

只使用 GPU 0

bash 复制代码 
CUDA_VISIBLE_DEVICES=0 python main.py

使用 GPU 0 和 GPU 1

bash 复制代码 
CUDA_VISIBLE_DEVICES=0,1 python main.py

2. 在 Python 代码中自动检测可用 GPU

在 Python 代码中，可以自动检测可用的 GPU，并根据需要配置模型和数据。以下是示例代码：

python 复制代码 
import torch

def print_available_gpus():
    if torch.cuda.is_available():
        num_gpus = torch.cuda.device_count()
        print(f"Available GPUs: {num_gpus}")
        for i in range(num_gpus):
            print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
    else:
        print("No GPUs available")

def main():
    # 打印可用的 GPU
    print_available_gpus()
    
    # 使用第一个可用的 GPU
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    print(f"Using device: {device}")

    # 示例模型和数据
    model = MyModel().to(device)
    data = torch.randn(10, 3, 224, 224).to(device)  # 示例数据

    # 示例训练循环
    for epoch in range(10):
        # 假设 dataloader 是你的数据加载器
        for batch in dataloader:
            inputs, labels = batch
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            # 其余训练步骤...
    
if __name__ == "__main__":
    main()

3. 结合 CUDA_VISIBLE_DEVICES 和 PyTorch 代码

通过在命令行中设置 CUDA_VISIBLE_DEVICES 环境变量，并在代码中使用 torch.cuda 相关的方法，可以确保你的脚本只使用指定的 GPU。

例如，在命令行中设置环境变量后运行脚本：

bash 复制代码 
CUDA_VISIBLE_DEVICES=0,1 python main.py

然后在 Python 脚本中：

python 复制代码 
import torch

def main():
    # 检查可用的 GPU
    if torch.cuda.is_available():
        num_gpus = torch.cuda.device_count()
        print(f"Using {num_gpus} GPUs")
        for i in range(num_gpus):
            print(f"GPU {i}: {torch.cuda.get_device_name(i)}")
    else:
        print("No GPUs available, using CPU")
    
    # 使用第一个可用的 GPU
    device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
    print(f"Using device: {device}")

    # 示例模型和数据
    model = MyModel().to(device)
    data = torch.randn(10, 3, 224, 224).to(device)  # 示例数据

    # 示例训练循环
    for epoch in range(10):
        # 假设 dataloader 是你的数据加载器
        for batch in dataloader:
            inputs, labels = batch
            inputs, labels = inputs.to(device), labels.to(device)
            outputs = model(inputs)
            # 其余训练步骤...
    
if __name__ == "__main__":
    main()
相关推荐
qq_426003962 分钟前
UI自动化高频次登录login限流解决方案
python·ui·自动化
情 九3 分钟前
MCP 实战 06：把 HTTP 接口接成工具，让 AI 帮你查数据
人工智能·网络协议·http·mcp
Sakura_j_h_20 分钟前
EasyEDA PCB 快速设计Skills
c++·python·github
码农小旋风37 分钟前
Ray分布式计算引擎介绍
人工智能·架构
火山引擎和TA的超级拍档们40 分钟前
产品情报局 08 | AI 内容助手：全网热点驱动，一站式打通内容生产全链路
人工智能
Binovate缤江数智1 小时前
水泵远程开关之后，还需要管什么？数智开关在无人值守泵站中的监测、保护与能耗分析
人工智能·物联网
素男1 小时前
两个月不是六十天
人工智能·agent·self-becoming·ai长期记忆·ai自我介绍
byte轻骑兵1 小时前
【LMP】规范精讲[10]: 语音专线开线记——SCO 固定占座与 eSCO 限时重传
人工智能·人机交互·lmp·蓝牙链路管理·蓝牙外设
龙亘川1 小时前
构建城市公共安全数字底座：亘川智城智慧安防系统全维度解读
java·大数据·开发语言·人工智能·信息可视化
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05几个好用的ip纯净度检测网站06苹果iPA游戏软件资源下载网站07昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战08蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接09Android 屏幕适配系列开篇：核心概念、官方机制与主流方案10Dify：一站式AI应用开发平台全解析与Windows部署指南