判断cuda是否可用的代码

### 如何检查CUDA是否可以正常使用 为了验证系统中CUDA是否能够正常工作，可以通过多种方式进行检测。以下是几种常见的方法： #### 方法一：使用NVIDIA官方工具`nvidia-smi` `nvidia-smi` 是 NVIDIA 提供的一个命令行工具，用于监控 GPU 的状态和性能。如果该工具返回有关 GPU 和 CUDA 驱动的信息，则说明 CUDA 已经正确安装并可用。 ```bash nvidia-smi ``` 此命令会显示当前系统的 GPU 列表及其对应的驱动版本、CUDA 版本以及其他相关信息[^1]。 #### 方法二：通过Python脚本检测CUDA可用性 在 Python 中，可以利用 `torch` 或者其他支持 CUDA 的库来检测其可用性。以下是一个简单的代码示例： ```python import torch if torch.cuda.is_available(): print(f"CUDA is available! Current device: {torch.cuda.current_device()}") else: print("CUDA is not available.") ``` 上述代码片段调用了 PyTorch 库中的 `torch.cuda.is_available()` 函数以判断 CUDA 是否被成功加载，并打印出设备编号或其他细节信息[^3]。 #### 方法三：基于C++实现的基础CUDA错误检查机制 当直接编写 C/C++ 程序时，通常需要手动完成对 CUDA API 调用结果的状态码校验。下面展示了一种推荐的做法——采用自定义函数而非宏来进行这种操作，从而提升程序的清晰度与易维护程度。 ```cpp #include <cuda_runtime.h> #include <iostream> // Helper function that checks the result of a CUDA call. void checkCudaError(cudaError_t err, const char *msg) { if (err != cudaSuccess) { std::cerr << msg << ": " << cudaGetErrorString(err) << std::endl; exit(EXIT_FAILURE); } } int main(){ // Example usage of error checking with helper function cudaError_t err = cudaSetDevice(0); checkCudaError(err,"Failed to set CUDA Device"); int count; err = cudaGetDeviceCount(&count); checkCudaError(err,"Failed to get CUDA Device Count"); if(count>0){ std::cout<<"There are "<<count<< " CUDA capable devices."<<std::endl; } else{ std::cout<<"No CUDA capable devices detected!"<<std::endl; } return 0; } ``` 以上展示了如何创建一个辅助性的错误处理函数 `checkCudaError` 来简化每一步可能失败的操作后的检验流程[^2]。 #### 方法四：OpenCV CUDA模块功能测试 对于 OpenCV 用户而言，确认特定算法能否受益于GPU加速同样重要。这里提供了一个简单例子用来评估是否存在有效的CUDA环境配置以及某些具体运算符的支持情况。 ```python import cv2 as cv print(cv.__version__) # Check if build includes support for CUDA operations if cv.cuda.getCudaEnabledDeviceCount()>0 : print('OpenCV was built WITH CUDA support.') # Attempt loading an image into both CPU and GPU memory spaces respectively img_cpu=cv.imread('test_image.jpg') img_gpu=cv.cuda_GpuMat() img_gpu.upload(img_cpu) dst_gpu=cv.cuda.createGaussianFilter(img_gpu.type(),img_gpu.size(),(5,5),1.5) filtered_img=img_gpu.clone() cv.cuda.filter2D(src=img_gpu,dst=filtered_img,kernel=None,borderType=cv.BORDER_DEFAULT) res_cpu=filtered_img.download() cv.imshow('Original Image',img_cpu) cv.imshow('Filtered Result on Host Memory',res_cpu) cv.waitKey(0) cv.destroyAllWindows() else: print('Your current installation does NOT include CUDA acceleration features within OpenCV.') ``` 注意，在实际应用过程中还需要考虑数据传输开销等因素的影响[^4]。