使用os.environ["CUDA_VISIBLE_DEVICES"]
这种方法是通过环境变量限制可见的CUDA设备,从而在多个GPU的机器上只让PyTorch看到并使用指定的GPU。这种方式的好处是所有后续的CUDA调用都会使用这个GPU,并且代码中不需要显式地指定设备索引。
import os
# 设置只使用2号GPU
os.environ["CUDA_VISIBLE_DEVICES"] = '2'
import torch
import torch.nn as nn
# 检查PyTorch是否检测到GPU
if torch.cuda.is_available():
print(f"Using GPU: {torch.cuda.get_device_name(0)}") # 注意这里是0,因为只有一个可见的GPU
else:
print("No GPU available, using CPU instead.")
# 定义模型
class YourModel(nn.Module):
def __init__(self):
super(YourModel, self).__init__()
self.layer = nn.Linear(10, 1)
def forward(self, x):
return self.layer(x)
# 创建模型并移动到GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = YourModel().to(device)
# 示例数据和前向传播
input_data = torch.randn(5, 10).to(device)
output = model(input_data)
print(output)
直接指定设备索引
这种方法是在代码中直接指定要使用的设备索引,无需修改环境变量。这种方式更加显式,并且可以在同一脚本中使用多个不同的GPU。
import torch
import torch.nn as nn
# 检查设备是否可用并打印设备名称
if torch.cuda.is_available():
device = torch.device("cuda:2") # 直接指定设备索引
print(f"Using GPU: {torch.cuda.get_device_name(2)}")
else:
device = torch.device("cpu")
print("No GPU available, using CPU instead.")
# 定义模型
class YourModel(nn.Module):
def __init__(self):
super(YourModel, self).__init__()
self.layer = nn.Linear(10, 1)
def forward(self, x):
return self.layer(x)
# 创建模型并移动到指定的GPU
model = YourModel().to(device)
# 示例数据和前向传播
input_data = torch.randn(5, 10).to(device)
output = model(input_data)
print(output)