假设我们在GPU上分配了一些数组通过PyTorch以外的其他方式，例如，使用numba.cuda.device_array创建一个GPU数组。当为某些张量分配更高的GPU内存时，PyTorch是否会意外覆盖用于我们的第一个CUDA阵列的内存空间？通常，由于PyTorch和Numba使用相同的CUDA运行时，因此我假设使用相同的内存管理机制，它们是否自动知道其他CUDA程序使用的内存区域，或者它们中的每一个都将整个GPU内存视为自己的？如果是后者，是否有办法让他们知道其他CUDA程序的分配？
编辑：认为这将是一个重要的假设：假定所有分配均由同一过程完成。
PyTorch将为某些张量分配更高的GPU内存时，会意外覆盖用于我们的第一个CUDA数组的内存空间吗？
编号
他们是否自动知道其他CUDA程序使用的内存区域...
它们不是“感知”的，但是每个进程都有自己独立的上下文...
...还是每个人都将整个GPU内存视为自己的？
....和上下文具有它们自己的地址空间和隔离。因此没有，但是没有内存损坏的风险。
如果是后者，是否有办法让他们知道其他CUDA程序的分配？
如果用“意识”来表示“安全”，那将自动发生。如果通过“意识到”暗示某种互操作性，那么在某些平台上是可能的，但这不是自动的。
...假定所有分配均由同一过程完成。
这是另一种情况。通常，相同的过程意味着共享的上下文，并且共享的上下文共享一个内存空间，但是所有常规地址空间保护规则和功能都适用，因此不存在失去安全性的风险。