1. 验证PyTorch基础安装

刚接触PyTorch时，第一件事就是确认它是否安装成功。这里有个简单的方法：打开你的Python环境（可以是IDLE、Jupyter Notebook或是终端里的Python交互界面），然后输入以下代码：

import torch print(torch.__version__)

如果屏幕上顺利输出版本号（比如"2.0.1"），恭喜你，PyTorch已经安家落户。但别急着庆祝，我们还得看看它能不能干活。试试创建一个随机张量：

x = torch.rand(5, 3) print(x)

这段代码会生成一个5行3列的随机数矩阵。如果看到类似下面的输出，说明PyTorch不仅能跑，还能做基础运算：

tensor([[0.1234, 0.5678, 0.9012], [0.3456, 0.7890, 0.1234], [0.5678, 0.9012, 0.3456], [0.7890, 0.1234, 0.5678], [0.9012, 0.3456, 0.7890]])

我遇到过不少初学者在这步就卡壳。最常见的问题是报错"No module named 'torch'"，这通常意味着：

1. 安装时没选对Python环境
2. pip/conda安装过程被中断
3. 虚拟环境没激活

解决方法也很直接：先用python --version确认当前环境，然后用pip list检查已安装包。如果发现torch缺席，重新安装时建议加上-i https://pypi.tuna.tsinghua.edu.cn/simple使用国内镜像加速。

2. 检查GPU加速支持

现在进入正题——GPU加速。PyTorch的GPU支持主要依赖CUDA（NVIDIA）或ROCm（AMD）驱动。先运行这个诊断命令：

print(torch.cuda.is_available())

如果返回True，说明PyTorch已经识别到可用的NVIDIA显卡。但False也不一定意味着失败，可能是以下情况：

• 使用的是AMD显卡
• 没安装CUDA驱动
• 安装的是CPU-only版本

对于NVIDIA用户，可以进一步查看设备详情：

if torch.cuda.is_available(): print(f"当前设备：{torch.cuda.get_device_name(0)}") print(f"CUDA版本：{torch.version.cuda}") print(f"可用GPU数量：{torch.cuda.device_count()}")

我去年帮同事调试时发现，即使安装了CUDA驱动，PyTorch也可能无法识别。后来发现是PyTorch版本与CUDA版本不匹配。比如PyTorch 2.0需要CUDA 11.7/11.8，而他的环境装的是CUDA 10.2。这时候要么升级CUDA，要么重装对应版本的PyTorch。

3. AMD显卡的ROCm配置

AMD用户也别灰心，PyTorch通过ROCm平台同样支持GPU加速。首先确认ROCm是否安装成功：

/opt/rocm/bin/rocminfo

这个命令会输出GPU的详细信息。然后在Python中测试：

import torch if torch.cuda.is_available(): # ROCm环境下仍使用cuda标识 x = torch.rand(5, 3).cuda() print(x) else: print("ROCm不可用")

注意这里有个反直觉的设计：即使使用AMD显卡，PyTorch仍然通过.cuda()方法调用GPU。这是因为ROCm在设计上兼容了CUDA的API。

我在配置ROCm时踩过一个坑：默认安装可能不包含必要的头文件。解决方法是在Ubuntu上运行：

sudo apt install rocm-dev

4. 实战GPU加速测试

理论说再多不如实际跑个demo。我们来对比CPU和GPU的计算速度差异：

import time # 创建大型矩阵 size = 10000 a = torch.rand(size, size) b = torch.rand(size, size) # CPU计算 start = time.time() _ = torch.matmul(a, b) print(f"CPU耗时：{time.time() - start:.2f}秒") # GPU计算（如果可用） if torch.cuda.is_available(): a_gpu = a.cuda() b_gpu = b.cuda() # 首次运行会有CUDA初始化开销 _ = torch.matmul(a_gpu, b_gpu) # 正式计时 start = time.time() _ = torch.matmul(a_gpu, b_gpu) torch.cuda.synchronize() # 确保计算完成 print(f"GPU耗时：{time.time() - start:.2f}秒")

在我的RTX 3090上测试，10000×10000矩阵乘法，CPU需要约15秒，而GPU仅需0.3秒——近50倍的差距！这就是为什么深度学习必须用GPU加速。

5. 常见问题排查指南

遇到GPU不可用时，可以按照这个检查清单逐步排查：

1. 驱动检查：

   • NVIDIA用户：nvidia-smi查看驱动状态
   • AMD用户：rocminfo验证ROCm安装

2. 版本匹配：

   print(f"PyTorch版本：{torch.__version__}") print(f"CUDA版本：{torch.version.cuda}")

3. 环境冲突： 用conda list或pip freeze检查是否有多个torch版本

4. 硬件限制：

   • 笔记本的Optimus技术可能需要额外设置
   • 部分旧显卡不被新版CUDA支持

上周有个读者反馈，他的RTX 3060始终无法被识别。最后发现是Windows系统自动安装了旧版驱动，用DDU工具彻底卸载后重装最新驱动才解决问题。

6. 多GPU环境配置

当你有多个GPU时，PyTorch可以更充分地利用硬件资源。先看看如何检测多卡：

if torch.cuda.device_count() > 1: print(f"检测到{torch.cuda.device_count()}块GPU：") for i in range(torch.cuda.device_count()): print(f"GPU {i}: {torch.cuda.get_device_name(i)}")

要让PyTorch使用特定GPU，有两种方法：

1. 设置默认设备：

torch.cuda.set_device(1) # 使用第二块GPU

2. 显式指定设备：

device = torch.device("cuda:1") # 第二块GPU x = torch.rand(3,3).to(device)

在多卡训练时，我习惯用环境变量控制：

export CUDA_VISIBLE_DEVICES=0,2 # 只使用第1和第3块GPU

7. 性能优化技巧

光是能用GPU还不够，这些技巧能让你的PyTorch代码飞得更快：

1. 启用cudnn基准优化：

   torch.backends.cudnn.benchmark = True

2. 使用混合精度训练：

   scaler = torch.cuda.amp.GradScaler() with torch.cuda.amp.autocast(): outputs = model(inputs) loss = criterion(outputs, targets) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()

3. 避免CPU-GPU频繁传输：

   # 错误示范：每次迭代都传输数据 for data in dataset: data = data.cuda() ... # 正确做法：预先加载到GPU dataset = [d.cuda() for d in dataset]

记得去年优化一个CV项目时，仅仅加上torch.backends.cudnn.benchmark = True这一行，训练速度就提升了20%。这是因为PyTorch会根据你的硬件自动选择最优的卷积算法。

配置完GPU环境后，建议运行完整的MNIST训练示例来验证整套流程。可以从官方示例开始，逐步加入自己的数据和处理逻辑。当看到GPU利用率稳定在80%以上时，那种流畅的训练体验会让你觉得所有调试都是值得的。