PyTorch查看运行设备：CPU还是GPU

在深度学习领域，PyTorch是一个非常流行的开源库，它提供了丰富的张量计算和深度学习功能。在使用PyTorch进行模型训练和推理时，我们通常会遇到一个问题：如何查看当前运行的代码是在CPU上还是在GPU上运行？这可以帮助我们更好地理解和优化代码性能。
首先，要明确的是，PyTorch提供了两种类型的设备：CPU和GPU。这意味着你可以选择在CPU或GPU上运行你的代码。在PyTorch中，你可以使用.to()或.cuda()方法将张量或模型从CPU移动到GPU。例如：

import torch
# 创建一个张量并转移到GPU
x = torch.randn(3, 3).to('cuda')
# 或者创建一个模型并转移到GPU
model = torch.nn.Linear(3, 3)
model = model.to('cuda')

然而，如果你已经运行了一段代码，并想知道这段代码是在CPU还是GPU上运行的，你可以使用torch.device来查看当前设备的类型。下面是一个简单的例子：

import torch
# 当前设备
current_device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print("当前设备: ", current_device)

在上面的代码中，我们使用torch.cuda.is_available()函数检查是否存在可用的GPU。如果存在，我们返回一个’cuda’设备；否则，我们返回一个’cpu’设备。这个设备就是当前PyTorch会话正在使用的设备。
另外，如果你想查看所有可用的设备（包括CPU和GPU），你可以使用torch.cuda.devices()函数：

import torch
# 列出所有设备
devices = torch.cuda.devices()
print("所有设备: ", devices)

在上述代码中，torch.cuda.devices()函数返回一个列表，其中包含了所有可用的GPU和CPU的名称。这个函数对于多设备系统特别有用。
除了直接打印当前的设备，你还可以通过查看模型的设备属性来推断。例如：

import torch
# 创建一个模型并转移到GPU
model = torch.nn.Linear(3, 3)
model = model.to('cuda')
# 查看模型设备属性
print("模型所在的设备: ", model.device)

在上述代码中，model.device返回一个字符串，表示模型当前所在的设备（’cuda’或’cpu’）。因此，如果你看到模型在’cuda’上，那么你的代码就是在GPU上运行的。