前言,在pytorch中,当服务器上的gpu被占用时,很多时候我们想先用cpu调试下代码,那么就需要进行gpu和cpu的切换。
方法1:x.to(device)
把 device 作为一个可变参数,推荐使用argparse进行加载:
- 使用
gpu
时:
device='cuda'
x.to(device) # x是一个tensor,传到cuda上去
- 使用
cpu
时:
device='cpu'
x.to(device)
方法2:使用x.cuda()+CUDA_VISIBLE_DEVICES
很多贴子中说,使用x.cuda()
和x.to('cuda')
虽然是等效的,但是x.cuda()
的缺点是无法动态切换cpu
。然而,其实配合命令行参数CUDA_VISIBLE_DEVICES
是可以进行切换的。
在服务器上创建一个python脚本 t.py
:
import torch
print(torch.cuda.device_count()) # 可用gpu数量
print(torch.cuda.is_available()) # 是否可用gpu
首先先看一下,正常运行的情况:
- 执行命令:
python t.py
- 输出结果:因为服务器上有两个gpu,所以是我们想要的结果。
2
True
如果想要只使用某一块gpu,只需要在执行前加一个参数:
CUDA_VISIBLE_DEVICES=0 python t.py
,例如,我们要使用gpu 0- 接下来看看输出什么:是的!程序中确实只可见了一块gpu~
1
True
下面,如果我们想使用cpu
呢?
CUDA_VISIBLE_DEVICES="" python t.py
- 输出结果:可以看到,虽然服务器上有2块cpu,通过我们设置执行参数,程序中也成功看不到了!
0
False
因此,回归正题,当我们使用x.cuda()
进行分配gpu时,只需要使用torch.cuda.is_available()
加一个判断即可,当想使用cpu
的时候在执行程序的命令行参数进行控制:
if torch.cuda.is_available():
x= x.cuda()