python检查GPU

### 如何在Python中检查GPU是否可用 为了确认Python环境中GPU的可用性，可以根据不同的框架采用特定的方法来检测。以下是几种常见的方式。 #### 使用PyTorch检查GPU状态 通过导入`torch`模块并调用`.cuda.is_available()`方法能够快速判断当前环境是否有支持CUDA协议的显卡设备[^3]： ```python import torch if torch.cuda.is_available(): print("CUDA 可用:", True) device_count = torch.cuda.device_count() print("GPU 数量:", device_count) for i in range(device_count): print(f"GPU {i} 名称:", torch.cuda.get_device_name(i)) else: print("CUDA 不可用") ``` 这段脚本会打印出系统内所有兼容CUDA标准的图形处理单元详情以及它们的名字。 #### 借助NVIDIA SMI工具查询硬件信息 除了编程接口外，还可以利用操作系统层面提供的命令行工具——如NVIDIA System Management Interface (SMI)，它能提供详细的GPU资源占用状况报告。下面是一段用于执行该指令并将结果解析成易于阅读形式的例子[^1]: ```python import subprocess try: nvidia_smi_output = subprocess.check_output(["nvidia-smi"], stderr=subprocess.STDOUT).decode('utf-8') except Exception as e: print("无法访问 nvidia-smi 或者没有安装 NVIDIA 显卡驱动程序.") else: lines = nvidia_smi_output.splitlines() relevant_lines = [] inside_table = False for line in lines: stripped_line = line.strip() if "Processes:" in stripped_line or "+----+" in stripped_line: break elif "|=====" in stripped_line: inside_table = True if inside_table and not ("|==========" in stripped_line or stripped_line.startswith("+")): relevant_lines.append(stripped_line.replace('|', '').strip()) formatted_output = "\n".join(relevant_lines) print(formatted_output) ``` 此代码片段尝试读取并通过过滤无关部分展示由`nvidia-smi`产生的表格化输出中的重要数据项。 对于其他机器学习库（例如TensorFlow），也有类似的API可用于探测和配置GPU设置；而对于像ONNX Runtime这样的推理引擎来说，在初始化时也会自动检测是否存在合适的GPU加速条件，并相应调整内部行为[^4]。