Pytorch查看torch版本，查看torchvision版本，查看CUDA版本，查看cudnn版本，查看pytorch可用性，查看cuda可用性，查看cudnn可用性，查看显卡，指定运算GPU

            <div id="content_views" class="markdown_views prism-atom-one-dark" style="user-select: auto;">
                <svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
                    <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
                </svg>
                <p></p> 

1 查看Pytorch版本

1.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

1.2 进入Python环境

输入python

python

 
 

 
 
1

1.3 查看pytorch版本

import torch   #查看torch版本
print(torch.__version__)  #注意是双下划线

 
 

 
 
1
2

2 查看torchvision版本

2.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch100

conda activate pytorch100

 
 

 
 
1

2.2 进入python环境

python

 
 

 
 
1

2.3 查看torchvision版本

import torchvision
print(torchvision.__version__)

 
 

 
 
1
2

这里没在原来电脑上演示，在另外一个环境，命令是一样的

3 查看cuda版本

3.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

3.2 进入Python环境

python

 
 

 
 
1

3.3 查看cuda版本

import torch
print(torch.version.cuda)  #注意是双下划线

 
 

 
 
1
2

4 查看cudnn版本

4.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

4.2 进入Python环境

python

 
 

 
 
1

4.3 查看cudnn版本

import torch
print(torch.backends.cudnn.version())  #注意是双下划线

 
 

 
 
1
2

5 查看pytorch可用性

5.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

5.2 进入Python环境

python

 
 

 
 
1

5.3 查看pytorch可用性

import torch
a=torch.Tensor([1.])#如果pytorch可用则静默

 
 

 
 
1
2

6 查看cuda可用性

6.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

6.2 进入Python环境

python

 
 

 
 
1

6.3 查看cuda可用性

import torch
print(torch.cuda.is_available())#如果cuda可用，则返回True

 
 

 
 
1
2

7 查看cudnn可用性

7.1 打开终端，激活相应的环境

例如我的环境名称是：pytorch180cuda111

conda activate pytorch180cuda111

 
 

 
 
1

7.2 进入Python环境

python

 
 

 
 
1

7.3 查看cudnn可用性

import torch
# 若正常则静默

a = torch.tensor(1.)
# 若正常则静默

a.cuda()
# 若正常则返回 tensor(1., device=‘cuda:0’)

from torch.backends import cudnn
# 若正常则静默

cudnn.is_available()
# 若正常则返回 True

cudnn.is_acceptable(a.cuda())
# 若正常则返回 True

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17

8 查看显卡

8.1 查看显卡数量

torch.cuda.device_count() # 查看GPU数量

 
 

 
 
1

8.2 查看是否有可用GPU

torch.cuda.is_available() # 查看是否有可用GPU

 
 

 
 
1

8.3 查看GPU算力

torch.cuda.get_device_capability(device) # 查看指定GPU算力，参数device是数字，从0开始
#例如有两张显卡
torch.cuda.get_device_capability(0)#查看第0张显卡
torch.cuda.get_device_capability(1)#查看第1张显卡

 
 

 
 
1
2
3
4

8.4 查看GPU名称

torch.cuda.get_device_name(device) # 查看指定GPU名称，参数device是数字，从0开始
#例如有两张显卡
torch.cuda.get_device_name(0)#查看第0张显卡名称
torch.cuda.get_device_name(1)#查看第1张显卡名称

 
 

 
 
1
2
3
4

8.5 查看当前GPU

#查看当前使用的显卡，返回的是显卡的序号
torch.cuda.current_device()

 
 

 
 
1
2

8.6 查看GPU属性

## 查看显卡属性
import torch
[torch.cuda.get_device_properties(i)   for i in range(torch.cuda.device_count())]

 
 

 
 
1
2
3

8.7 其他命令

torch.cuda.empty_cache() # 清空程序占用的GPU资源

torch.cuda.manual_seed(seed) # 设置随机种子

torch.cuda.manual_seed_all(seed) # 设置随机种子

• 1
• 2
• 3
• 4
• 5

9 指定显卡

9.1 在Pytorch程序里面指定显卡

import torch

# 设置torch的调用显卡（有效）
torch.cuda.set_device(1)

# 输出当前卡的信息
A=torch.arange(12,dtype=torch.float32)
B=A.cuda()
print(B.device)
print(“A=\n”,A)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

9.2 在os里面指定显卡

通过os.environ[“CUDA_VISIBLE_DEVICES”]指定所要使用的显卡：

import os
os.environ['CUDA_VISIBLE_DEVICES'] = "2,1,3,4"
print("torch.cuda.device_count() {}".format(torch.cuda.device_count()))

 
 

 
 
1
2
3

这种设置方式，2号卡就变成了主卡。CUDA_VISIBLE_DEVICES 表示当前可以被python环境程序检测到的显卡。os.environ[“CUDA_VISIBLE_DEVICES”] = "2,1,3,4"进行指定使用设备，
这样会修改pytorch感受的设备编号，pytorch感知的编号还是从device:0开始。

如上会把2号显卡改为device:0，1号显卡改为device:1。
  
  上述对GPU的设置一定要放在所有调用CUDA的代码之前，否者会不生效。torch.cuda.device_count()用于查看可用GPU的数量。
  
  通过os.environ[“CUDA_VISIBLE_DEVICES”]设置系统变量后，可能会使torch.cuda.device_count()结果不准确。

10 终端里查看GPU信息

10.1 实时查看

watch -n 1 nvidia-smi

 
 

 
 
1

10.2 只查看此时的

nvidia-smi

 
 

 
 
1

[相关链接](https://blog.csdn.net/shaqilaixi2/article/details/121687144)