检测CUDA、cuDNN、Pytorch是否可用

大家看完代码不妨看一下后文的详解哦~

默子在原有基础上增加了很多新的内容。

解释的更加详细，更加具体，更加新颖！

废话不多说，我们直接开始。

复制下列代码到IDE中运行

import torchprint('CUDA版本:',torch.version.cuda)print('Pytorch版本:',torch.__version__)print('显卡是否可用:','可用' if(torch.cuda.is_available()) else '不可用')print('显卡数量:',torch.cuda.device_count())print('是否支持BF16数字格式:','支持' if (torch.cuda.is_bf16_supported()) else '不支持')print('当前显卡型号:',torch.cuda.get_device_name())print('当前显卡的CUDA算力:',torch.cuda.get_device_capability())print('当前显卡的总显存:',torch.cuda.get_device_properties(0).total_memory/1024/1024/1024,'GB')print('是否支持TensorCore:','支持' if (torch.cuda.get_device_properties(0).major >= 7) else '不支持')print('当前显卡的显存使用率:',torch.cuda.memory_allocated(0)/torch.cuda.get_device_properties(0).total_memory*100,'%')

如果可以正常使用，大概率是这样的

CUDA版本: 11.7 Pytorch版本: 1.13.1+cu117 显卡是否可用: 可用 显卡数量: 1 是否支持BF16数字格式: 不支持 当前显卡型号: NVIDIA GeForce GTX 960M 当前显卡的CUDA算力: (5, 0) 当前显卡的总显存: 3.9998779296875 GB 是否支持TensorCore: 不支持 当前显卡的显存使用率: 0.0 %

代码逐行剖析：

  1. torch.version.cuda

    会输出当前CUDA的版本，一般来说，会有 11.7 和 11.3 （更老的版本可能会出现兼容性问题，建议大家去更新一下，直接到 Nvidia 官网就可以）

  1. torch.__version__ .

    会输出当前 Pytorch 的版本，
    对于1.13.1+cu117

  • 1.13.0 表示当前Pytorch的大版本，目前主流的版本大约在 1.8.0 – 1.13.0，当大家开始复现代码时，就会发现自己要在电脑上同时装好多个Pytorch版本，所以用 Conda 去管理虚拟环境是很有必要的一件事哦~，大家对Conda虚拟环境管理 感兴趣的话，不妨点个赞，默子看看下期要不要出。

  • cu113 表示当前 Pytorch 是GPU的，CUDA版本是11.3，如果是 cp39 表示当前 Pytorch 是CPU版本，Python版本是3.9.X

  • 有的同学会看到dev开头的一串序号，dev20230114 表示是开发构建版（Pytorch.Nightly），具体构建日期为2023年1月14日，没有的话则是稳定版（Pytorch.Stable）。

  1. torch.cuda.is_available()

    返回GPU是否可用，可用为True，不可用为 False

  1. torch.cuda.device_count()

    返回显卡数量，大家的电脑一般都是 1 啦，哈哈哈（友情提示：如果电脑是多GPU的，上述代码只能列出第一个GPU设备的部分信息，并不能列出全部GPU的信息。如果想获取全部信息，可以先获取GPU列表，然后循环输出每个GPU）

  1. torch.cuda.is_bf16_supported()

    显卡是否支持BF16计算，支持为True，不支持为 False

    BF16，有时也被称为BFloat16或Brain Float16，是一种针对人工智能与深度学习应用程序进行优化的新数字格式。 它在谷歌、 英特尔 、 Arm 和许多其他公司的人工智能加速器得到了广泛的应用。使用BF16主要是因为，神经网络对指数的大小比尾数敏感得多，所以不必使用传统尾数精度更高的FP64或者是FP32。 默子的960M是肯定不支持BF16的，目前支持BF16的显卡有很多，比较大众化的应该就是NVIDIA 老黄家NVIDIA创始人兼首席执行官的 RTX3060 和 RTX3070 了。至于专业的深度学习卡，绝大部分都是支持的。

  1. torch.cuda.get_device_capability()

    获取GPU的算力 （CUDA Capability Major/Minor version number） ，对于N卡来说，查看全部型号显卡的算力请访问 https://developer.nvidia.com/cuda-gpus#compute （其余显卡请读者自行搜索吧）

    在官方给出的文档中，如果进行神经网络的训练，建议GPU此数值在 5.0 以上（默子的卡刚刚及格，呜呜呜）

  1. torch.cuda.get_device_properties(0).total_memory

该条命令可以获取到当前GPU的总显存大小。详细信息可参考Pytorch官方文档https://pytorch.org/docs/stable/generated/torch.cuda.get_device_properties.html

  1. TensorCore 能力

传统的N卡GPU都会有CUDA核心，用来处理大量的浮点运算。而 Tensor核心能加速处于深度学习神经网络训练和推理运算核心的矩阵计算，能够在维持超低精度损失的同时大幅加速推理吞吐效率。不过，最近几年的卡才会搭载TensorCore，这个会直接体现在显卡的算力等级上，大于7的显卡才会有搭载 TensorCore。

具体是如何加速的，以及具体会加速多少，这个涉及到CUDA和Tensor核心的底层原理与深度学习相关知识。默子就不在这里展开阐述了，感兴趣的同学可以找一些文章、视频去看看。但就一句话，在深度学习方面，TensorCore吊打 CUDACore。

$$\color{#CC0033}{今天的内容到这里就结束啦}$$$$\color{#CC0033}{点赞不断，更新不断}$$$$\color{#FF9900}{关注默子，获得更多优质学习资源}$$$$\color{#FF9900}{一起无限进步！}$$

更多内容将同步发布在作者微信公众号上，感兴趣的同学可以关注喔 ~

公众号名称：AinfO Tech ，下方图片扫码关注~