一、CPU 性能查看
系统级查看（Windows/Linux/Mac 通用）
（1）Windows 系统
- 任务管理器 ：按下
Ctrl+Shift+Esc→ 切换到「性能」选项卡 → 查看 CPU 使用率、核心数、频率、缓存等； - 资源监视器：任务管理器「性能」→ 左下角「打开资源监视器」→ 可查看每个进程的 CPU 占用、线程数。
（2）Linux 系统（命令行）
# 实时查看CPU整体使用率、核心数、负载（最常用）
top # 按1显示每个核心，按q退出
# 查看CPU硬件信息（核心数、架构、频率）
lscpu
# 更直观的CPU监控（需安装）
apt install htop
htop
# 查看进程CPU占用（指定进程名/ID）
pidstat -p [进程ID] 1 # 每秒刷新1次（3）Mac 系统
-
「活动监视器」：启动台搜索「活动监视器」→ 「CPU」标签页 → 查看使用率、进程占用；
-
终端命令：
top # 实时监控 sysctl -n hw.ncpu # 查看CPU核心数
二、GPU 性能查看
Python 代码中查看 GPU 性能
import torch
# 1. 检查GPU是否可用
gpu_available = torch.cuda.is_available()
print(f"GPU是否可用：{gpu_available}")
# 2. 查看GPU数量、型号
if gpu_available:
gpu_count = torch.cuda.device_count()
gpu_name = torch.cuda.get_device_name(0) # 查看第0块GPU名称
print(f"GPU数量：{gpu_count}，第0块GPU型号：{gpu_name}")
# 3. 查看当前GPU显存使用（PyTorch视角）
torch.cuda.empty_cache() # 清空缓存
allocated = torch.cuda.memory_allocated(0) / 1024**3 # 已分配显存（GB）
cached = torch.cuda.memory_reserved(0) / 1024**3 # 缓存显存（GB）
print(f"已分配显存：{allocated:.2f}GB，缓存显存：{cached:.2f}GB")
# 4. 设置默认GPU
torch.cuda.set_device(0)三、GPU 训练方法
核心步骤：设备配置 → 模型 / 数据迁移 → 训练逻辑 → 显存优化
-
设备配置：通过
torch.cuda.is_available()判断 GPU 是否可用，将模型 / 数据移到 GPU（.to(device)）； -
数据 / 模型迁移：张量 / 模型必须和设备匹配（GPU 张量不能在 CPU 上计算，反之亦然）；
-
批量训练：避免 GPU 显存溢出，控制 batch_size；
-
混合精度（可选）：加速训练，减少显存占用。
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset===================== 1. 设备配置（核心） =====================
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(f"训练设备：{device}")===================== 2. 定义模型并迁移到GPU =====================
class SimpleMLP(nn.Module):
def init(self, input_dim=10, hidden_dim=64, output_dim=2):
super().init()
self.mlp = nn.Sequential(
nn.Linear(input_dim, hidden_dim),
nn.ReLU(),
nn.Linear(hidden_dim, output_dim)
)def forward(self, x): return self.mlp(x)初始化模型并移到GPU
model = SimpleMLP(input_dim=10, output_dim=2).to(device)
===================== 3. 准备数据并迁移到GPU（批量） =====================
模拟数据集
batch_size = 64
x = torch.randn(1000, 10) # CPU张量
y = torch.randint(0, 2, (1000,)) # CPU张量
dataset = TensorDataset(x, y)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)===================== 4. 定义优化器/损失函数 =====================
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=1e-3)===================== 5. GPU训练逻辑 =====================
epochs = 5
model.train() # 训练模式
for epoch in range(epochs):
epoch_loss = 0.0
for x_batch, y_batch in dataloader:
# 关键：将batch数据移到GPU（DataLoader默认生成CPU张量）
x_batch = x_batch.to(device)
y_batch = y_batch.to(device)# 前向传播 outputs = model(x_batch) loss = criterion(outputs, y_batch) # 反向传播+优化 optimizer.zero_grad() loss.backward() optimizer.step() epoch_loss += loss.item() avg_loss = epoch_loss / len(dataloader) print(f"Epoch [{epoch+1}/{epochs}], 平均损失：{avg_loss:.4f}")===================== 6. GPU推理（验证） =====================
model.eval()
with torch.no_grad(): # 关闭梯度，节省显存
test_x = torch.randn(10, 10).to(device) # 测试数据移到GPU
pred = model(test_x)
print(f"\nGPU推理结果（类别）：{pred.argmax(dim=1).cpu().numpy()}") # 转回CPU便于打印
四、类的call方法
-
语法规则
class 类名:
def call(self, *args, **kwargs):
# 自定义逻辑（可接收参数、返回结果）
执行操作
return 结果
- 当实例被调用（
实例()或实例(参数)）时，Python 会自动执行__call__方法； self指向实例本身，可访问实例的所有属性（状态）；- 支持任意参数（
*args/**kwargs）和返回值，和普通函数完全一致。
- 本质：可调用对象（Callable）
Python 中「可调用对象」包括：函数、方法、类、带 __call__ 的实例。可通过 callable() 验证：
class Counter:
def __call__(self):
pass
counter = Counter()
print(callable(counter)) # True（实例可调用）
print(callable(Counter)) # True（类本身可调用，调用后创建实例）
print(callable(lambda x: x+1)) # True（函数可调用）3.基础示例：带状态的调用
最典型的场景是「保存状态的函数」（区别于普通函数的局部变量）：
class Accumulator:
"""累加器：每次调用传入一个数，累加并返回总和"""
def __init__(self):
self.total = 0 # 实例属性保存累加状态
def __call__(self, num):
self.total += num
return self.total
# 使用示例
acc = Accumulator()
print(acc(10)) # 执行__call__，total=0+10 → 输出10
print(acc(20)) # total=10+20 → 输出30
print(acc(5)) # total=30+5 → 输出35
print(acc.total)# 直接访问状态 → 输出35