基于Pytorch深度学习——GPU安装/使用

本文章来源于对李沐动手深度学习代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行尽量逐行详细解释
并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用逐行解释+小实验的方式来给大家解释代码

可能听说过深度学习的小伙伴们都知道，在如今的年代，深度学习早就是几乎人人都可以使用的玩意，不再是以前只有世界顶级的高端实验室才有机会使用的有钱人的游戏。这几乎全部得益于我们GPU的问世

查看自己的CUDA版本

windows系统

我们可以了解到，看李沐老师的课有很多人使用的并不是云服务器，而是自己的本地开发环境，所以我们专门分出windows版本的使用教程

第一步：打开cmd

我们可以先按住win+R键，然后输入cmd，接着就会出现下面这样的一个黑框：

输入指令查询

我们在黑框中输入nvidia-smi。这个指令需要注意的地方是一定不要自己自作主张去添加空格

接着我们就可以看到如下的环境，这里我们的Driver Version为528.92，CUDA的版本为12.0

Jupyter Notebook查询

用这个查询就比较简单，我们只需要在代码界面输入

!nvidia-smi

同样需要注意的是不要自己加一些空格

导入模块以及查看CPU和GPU

import torch
from torch import nn
torch.device('cpu'),torch.cuda.device('cuda')

如果这里出现了报错或者其他的警告，我们可以先暂时不管，文章下面会继续解决

查看GPU个数以及修复BUG

torch.cuda.device_count()

这段代码输入后，大部分人会得到两种答案：一种是确实返回了自己CUDA的个数，还有一种就是自己原本有GPU的电脑，但是这里返回的是0
如果小伙伴们是第一种情况的话，那么问题不算特别大，我们可以继续下面的操作，这里我们会针对第二种情况提出解决办法：

device_count()为0解决办法

在这种情况下，大概率是pytorch的安装出现了问题，我们可以重新安装一次pytorch
pytorch下载地址：pytorc