我想知道pytorch是否正在使用我的GPU。如果在此过程中GPU中有任何活动，可以使用nvidia-smi进行检测，但我想要用python脚本编写的内容。
有办法吗？
这将是有效的：
In [1]: import torch
In [2]: torch.cuda.current_device()
Out[2]: 0
In [3]: torch.cuda.device(0)
Out[3]: <torch.cuda.device at 0x7efce0b03be0>
In [4]: torch.cuda.device_count()
Out[4]: 1
In [5]: torch.cuda.get_device_name(0)
Out[5]: 'GeForce GTX 950M'
In [6]: torch.cuda.is_available()
Out[6]: True
这告诉我GeForce GTX 950M正在使用GPU PyTorch。
在您开始运行训练循环后，如果您想从终端手动观察它是否正在使用GPU资源以及程度，那么您可以使用：
$ watch -n 2 nvidia-smi
这将每2秒更新一次使用统计数据，直到您按ctrl + c
此外，您可以通过执行以下操作来检查PyTorch的安装是否正确检测到您的CUDA安装：
In [13]: import torch
In [14]: torch.cuda.is_available()
Out[14]: True
True状态意味着PyTorch已正确配置并且正在使用GPU，尽管您必须在代码中移动/放置具有必要语句的张量。
如果您想在Python代码中执行此操作，请查看此模块：
https://github.com/jonsafari/nvidia-ml-py或pypi在这里：https://pypi.python.org/pypi/nvidia-ml-py/
由于这里没有提出，我正在添加一个使用torch.device的方法，因为这非常方便，也就是在正确的device上初始化张量时。
# setting device on GPU if available, else CPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print('Using device:', device)
print()
#Additional Info when using cuda
if device.type == 'cuda':
print(torch.cuda.get_device_name(0))
print('Memory Usage:')
print('Allocated:', round(torch.cuda.memory_allocated(0)/1024**3,1), 'GB')
print('Cached: ', round(torch.cuda.memory_cached(0)/1024**3,1), 'GB')
输出：
Using device: cuda
Tesla K80
Memory Usage:
Allocated: 0.3 GB
Cached: 0.6 GB
如上所述，使用device可以：
device：
torch.rand(10).to(device)
device上直接创建张量：
torch.rand(10, device=device)
这使得CPU和GPU之间的切换更加舒适，而无需更改实际代码。
由于对缓存和分配的内存存在一些疑问和困惑，我正在添加一些关于它的其他信息：
torch.cuda.max_memory_cached(device=None)返回给定设备的缓存分配器管理的最大GPU内存（以字节为单位）。torch.cuda.memory_allocated(device=None)返回给定设备的当前GPU内存使用量（以字节为单位）。
您可以直接交出邮件中上面指定的device，也可以将其保留为None，它将使用current_device()。
要检查是否有可用的GPU：
torch.cuda.is_available()
如果上面的函数返回False，你要么没有GPU，要么没有安装Nvidia驱动程序，因此操作系统没有看到GPU，或者GPU正被环境变量CUDA_VISIBLE_DEVICES隐藏。当CUDA_VISIBLE_DEVICES的值为-1时，则隐藏所有设备。您可以使用以下行检查代码中的值：`os.environ ['CUDA_VISIBLE_DEVICES']
如果上面的函数返回True，这并不一定意味着你正在使用GPU。在Pytorch中，您可以在创建设备时为设备分配张量。默认情况下，张量分配给cpu。要检查张量的分配位置，请执行以下操作：
# assuming that 'a' is a tensor created somewhere else
a.device # returns the device where the tensor is allocated
请注意，您无法对在不同设备中分配的张量进行操作。要了解如何为GPU分配张量，请参见此处：https://pytorch.org/docs/stable/notes/cuda.html
在GPU上创建一个张量，如下所示：
$ python
>>> import torch
>>> print(torch.rand(3,3).cuda())
不要退出，打开另一个终端并检查python进程是否正在使用GPU：
$ nvidia-smi