啥? 据说你又抢了别人的板子? os.environ[‘CUDA_VISIBLE_DEVICES‘]指定GPU无法生效解决方案 (同时附上torch指定GPU总结)

在使用pytorch的时候利用下面的语句指定GPU为仅为"6"，但是用nvidia-smi查看GPU使用时，仍默认为"0"号

import torch
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '6'

解决方案：
将上述语句放到当前这个python文件的最开头，即import torch 之前

import os
os.environ['CUDA_VISIBLE_DEVICES'] = '6'
import torch

GPU指定总结

1. os.environ[‘CUDA_VISIBLE_DEVICES’]=‘x’

如上述，可以在运行的 .py 开头加入

os.environ['CUDA_VISIBLE_DEVICES'] = 'x'

• 优点：可以指定多卡；强制设置程序可见某几块板子，对于其他不可见的板子就完全没有影响,
• 缺点：不方便，只能放在import torch之前，即程序最开头指定；由于很多时候我们会在.py文件里面写很多function,然后写一个main函数入口运行整个文件，这样一来import torch不得不在os.environ['CUDA_VISIBLE_DEVICES'] = 'x'之前，这种情况下，每次想要换卡的时候，还需要点开.py文件手动修改，不能通过外部传参修改

2. torch.cuda.set_device(x)

在构建网络之前，调用torch的set_device指定

torch.cuda.set_device(x)

• 优点：比较灵活，可以在程序不同地方指定，适用于需要在一个程序里，先后将多个模型分别放到多块板子上的情况；可以传参换卡
• 缺点：只能指定一块板子

3. 命令行运行时指定

在命令行或者.sh文件里，可以在运行.py文件前直接指定：

CUDA_VISIBLE_DEVICES=x python  xxx.py

• 优点：其实就是类似于os.environ['CUDA_VISIBLE_DEVICES']='x'，只不过它用起来更加方便
• 缺点：还是只能指定一块，而且不能再程序运行中途换卡，适用于一次run，全程只需要占单卡的.py文件

4. torch.nn.DataParallel

当某些情况下需要用到并行训练的时候，可以用下列语句指定多卡

torch.nn.DataParallel(module, device_ids=[x1,x2,x3,x4,x5,x6,x7])

x1,x2不仅可以是 int. . 还可以是 torch.device

5. export 环境变量

最推荐的是这种，可以在shell里面export CUDA的可见环境变量

gpu=$1
echo "export CUDA_VISIBLE_DEVICES=$gpu"
export CUDA_VISIBLE_DEVICES=${gpu}

python main.py  # 你要运行的python进程

比方说上述这几条cmd是写在一个shell：run.sh里面的，那么只要

sh run.sh 1,2

那么这一整个sh里面的python进程都只能可视1，2块板子
相比于其他方法，这种指定方式是最便捷的，也可以指定多张GPU.

其他注意点

当有小伙伴想要在程序里混合使用上述指定GPU的语句时，需要注意：

1. os.environ['CUDA_VISIBLE_DEVICES']是设定程序对哪几张卡可视，一般设定成功之后，接下来程序中任何有关卡号的指定都是相对的。
   例如：os.environ['CUDA_VISIBLE_DEVICES'] = '1,2,3'，生效之后，再设置torch.cuda.set_device(0)，此时pytorch将会使用1号cuda.
   其他类似…

2. torch.cuda.set_device(x)设置GPU之后，torch.cuda.device_count()返回的还是你所有的板子数目，这样一来后面的程序需要注意一下，可能会有问题
   例如：Hugging face 或者google-rearch这种开源的预训练模型使用Demo,会在程序里count device数目n_gpu，然后会根据n_gpu调整是否使用torch.nn.DataParallel并行训练BERT，还会影响batch_size。如果你自己设置 torch.cuda.set_device(x)，记得最好手动修改n_gpu为1,
   其他类似…