1. CPU 性能查看
- 核心指标 ：
- 架构代际：如 Intel 13 代 / 14 代、AMD Zen 3/Zen 4，代际越新通常能效比越高。
- 核心数 / 线程数：核心数决定并行计算能力，线程数（超线程技术）可提升多任务处理效率。
- 查看方式 ：
- Windows：任务管理器 → 性能 → CPU；或使用
wmic cpu get caption,deviceid,maxclockspeed,currentclockspeed,numberofcores,numberoflogicalprocessors命令。 - Linux：
lscpu或cat /proc/cpuinfo。
- Windows：任务管理器 → 性能 → CPU；或使用
2. GPU 性能查看
- 核心指标 ：
- 显存：决定可加载的模型与数据规模，单位为 GB（如 8GB/24GB）。
- 级别：消费级（RTX 4090）、专业级（RTX A6000）、数据中心级（A100/H100）。
- 架构代际：如 NVIDIA Ampere（30 系）、Ada Lovelace（40 系）、Hopper（H100），代际更新会带来算力与能效提升。
- 查看方式 ：
- NVIDIA GPU：
nvidia-smi命令（Linux/Windows），可查看显存占用、温度、功耗等。 - 图形界面：NVIDIA Control Panel 或 GPU-Z。
- NVIDIA GPU：
3. GPU 训练方法
- 核心逻辑：将模型与数据移动到 GPU 设备上进行加速计算。
PyTorch 示例：
python
import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 模型移动到GPU
model = Model().to(device)
# 数据移动到GPU
inputs = inputs.to(device)
labels = labels.to(device)- 关键注意：模型与数据必须在同一设备（CPU/GPU）上，否则会报错。
4. 类的 call 方法与前向传播
-
原理 ：在 PyTorch 中，
nn.Module类实现了__call__方法，该方法会自动调用forward()函数。 -
代码表现 ：
pythonclass Net(nn.Module): def __init__(self): super().__init__() self.fc1 = nn.Linear(10, 5) def forward(self, x): # 等价于 self.fc1.__call__(x) x = self.fc1(x) return x -
原因 ：
self.fc1是nn.Linear实例，继承自nn.Module，因此可像函数一样直接调用self.fc1(x)，底层会执行其forward逻辑。
💡 实用技巧
训练过程中，可在命令行输入 nvidia-smi 实时查看显存占用、GPU 利用率等信息，帮助排查显存不足或性能瓶颈问题。
python
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
import numpy as np
# ===================== 1. 设备配置（自动使用GPU，没有则用CPU）=====================
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")
# 查看GPU信息（如果有）
if torch.cuda.is_available():
print(f"GPU名称: {torch.cuda.get_device_name(0)}")
print(f"可用显存: {torch.cuda.get_device_properties(0).total_memory / 1024**3:.1f} GB")
# ===================== 2. 构建简易数据集（仅演示，替换成你的数据）=====================
# 生成随机数据：1000个样本，输入维度20，输出分类10类
x = torch.randn(1000, 20)
y = torch.randint(0, 10, (1000,))
dataset = TensorDataset(x, y)
# 数据加载器
train_loader = DataLoader(dataset, batch_size=32, shuffle=True)
# ===================== 3. 定义模型 =====================
class SimpleNet(nn.Module):
def __init__(self, input_dim=20, hidden_dim=64, num_classes=10):
super(SimpleNet, self).__init__()
self.fc1 = nn.Linear(input_dim, hidden_dim)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_dim, num_classes)
# 前向传播（__call__会自动调用这个方法）
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
# 初始化模型 + 迁移到GPU/CPU
model = SimpleNet().to(device)
# ===================== 4. 损失函数 + 优化器 =====================
criterion = nn.CrossEntropyLoss() # 分类任务
optimizer = optim.Adam(model.parameters(), lr=0.001)
# ===================== 5. 训练循环 =====================
def train_epoch(model, loader, criterion, optimizer, device):
model.train() # 训练模式
total_loss = 0.0
correct = 0
total = 0
for inputs, labels in loader:
# 【关键】数据迁移到设备
inputs = inputs.to(device)
labels = labels.to(device)
# 前向传播
outputs = model(inputs)
loss = criterion(outputs, labels)
# 反向传播 + 优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 统计
total_loss += loss.item()
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels).sum().item()
avg_loss = total_loss / len(loader)
acc = 100 * correct / total
return avg_loss, acc
# ===================== 6. 开始训练 =====================
epochs = 10
best_acc = 0.0
for epoch in range(epochs):
train_loss, train_acc = train_epoch(model, train_loader, criterion, optimizer, device)
# 打印日志
print(f"Epoch [{epoch+1}/{epochs}] | Loss: {train_loss:.4f} | Acc: {train_acc:.2f}%")
# 保存准确率最高的模型
if train_acc > best_acc:
best_acc = train_acc
torch.save(model.state_dict(), "best_model.pth")
print(f"✅ 已保存最优模型，最佳准确率: {best_acc:.2f}%")
print("\n训练完成！")
print(f"最终最佳准确率: {best_acc:.2f}%")核心 GPU 使用要点（必看）
- 统一设备 模型 (
model.to(device)) + 数据 (inputs.to(device)) 必须在同一设备，否则报错。 - 无需手动改代码有 GPU 自动用 GPU，没有自动用 CPU，跨平台通用。
- 查看 GPU 状态 命令行输入：
nvidia-smi，实时看显存、利用率。
如何替换成你的任务
- 把数据集替换成你的图片 / 文本数据；
- 把模型替换成你的网络结构；
- 调整
batch_size、lr、epochs超参数即可。