PyTorch安装问题？

发布网友发布时间：2022-04-20 05:40

共2个回答

热心网友时间：2023-08-10 07:56

第一步是通过检查PyTorch是否能够找到CUDA（ComputeUnifiedDeviceArchitecture）库来确定GPU是否可用。如果CUDA库未安装或未配置正确，则PyTorch将无法使用GPU。如果我们在安装PyTorch时选择了与我们计算机上已安装的CUDA版本不兼容的版本，则也会出现此问题。点击学习大厂名师精品课
第二步是使用torch.cuda.is_available()函数来检查是否已成功配置CUDA环境。如果输出结果为True，则PyTorch可以使用GPU，否则为False，说明GPU不可用。
第三步是使用device()函数。如果PyTorch能够找到可用的GPU，则我们可以将计算设备切换到GPU上。我们可以使用device()函数将计算设备更改为“cuda:0”。该函数接受一个字符串参数，以指示将计算设备更改为哪一个。如果PyTorch找不到可用的GPU，则该函数将使用CPU。
想学IT慕课网是个不错的选择。慕课网的课程质量很高。慕课网上的课程大多由业内知名教育者或有多年工作经验的工程师发布，内容丰富、专业。且慕课网采用的是短小精悍的视频教学方式，学员们可以按照自己的节奏自主学习。

热心网友时间：2023-08-10 07:56

1、将已经实例化的模型在多个GPU上并行，只需要使用nn.DataParallel(model)方法即可，可用torch.cuda.device_count()检查GPU的个数。

2、nn.DataParallel中的参数有三个，第一个是需要并行的模型，第二个是并行所使用的GPU列表（默认使用所有可用GPU），第三个是模型输出所在的device编号（可以是cpu，默认是GPU0）。

3、为了验证并行效果，我们定义一个打印输入和输出大小的模型，我们使用了2个GPU并行该模型。

4、使用任意一个数据集，在模型输出结果后，我们再打印出输出结果的大小，与模型中的打印结果进行对比。

5、In Model是模型内打印的结果，Outside为模型外打印的结果。对比发现Outside的batch大小为所有In Model之和，代表一个batch的数据被平均分到每个并行的GPU进行计算，之后再合并输出结果。