【深度学习】001 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。

---

检测代码：

复制下列代码到IDE中运行

import torch
print('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）

---

2. 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）。

---

3. torch.cuda.is_available()

返回GPU是否可用，可用为`True`，不可用为 `False`

---

4. 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）

---

5. 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](https://baike.baidu.com/item/%E9%BB%84%E4%BB%81%E5%8B%8B/6343558)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。

---

6. 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](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）

---

7. 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

---

8. 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核心能加速矩阵计算，维持低损失加速推理效率。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。

---

$$今天的内容到这里就结束啦$$

$$点赞不断，更新不断$$

$$关注默子，获得更多优质学习资源$$

$$一起无限进步！$$