torch判断程序是否调用了CUDA成功的代码

可以使用以下代码来判断程序是否成功调用了CUDA：

import torch

if torch.cuda.is_available():
    device = torch.device("cuda")
    print("CUDA is available")
else:
    device = torch.device("cpu")
    print("CUDA is not available")

# 将模型和数据移到设备上
model.to(device)
data.to(device)

# 运行模型
output = model(data)

在这里，我们首先检查CUDA是否可用。如果CUDA可用，则将设备设置为CUDA设备。否则，将设备设置为CPU。然后，我们将模型和数据移到设备上，最后运行模型。如果成功运行，则说明程序成功调用了CUDA。

相关问题

torch.cuda.is_available输出= <function is_available at 0x000001B1ADE64310> 如何解决该问题

`torch.cuda.is_available()` 是 PyTorch 库中的一个函数，用于检查当前设备是否支持 CUDA（CUDA 是 NVIDIA GPU 的计算平台）。你提到的结果 `<function is_available at 0x000001B1ADE64310>` 表示这个函数已经被加载进内存，但并未明确表示其返回值。

如果你的问题是关于如何实际使用 `is_available()` 来判断 GPU 是否可用，你可以按照以下步骤操作：

1. **调用函数**：

   available = torch.cuda.is_available()

这将会返回一个布尔值，如果当前设备有可用的 CUDA GPU，则返回 `True`，否则返回 `False`。

2. **检查结果**：

   if available:
       print("GPU可用")
   else:
       print("GPU不可用，或未安装CUDA驱动")

如果问题是由于其他原因导致的（例如没有安装CUDA或找不到CUDA驱动），你可以尝试：

- 确保你已经正确安装了PyTorch并且包含了CUDA版本，可以使用 `pip install torch torchvision -f https://download.pytorch.org/whl/cu11X/torch_stable.html` 进行安装。
- 检查系统中是否安装了CUDA，并且设置好环境变量（如`CUDA_HOME`，`PATH`中有cuda/bin路径）。
- 更新或重新安装显卡驱动程序。

若还有疑问，可以运行 `torch.cuda.get_device_name(0)` 来查看具体GPU型号，或者查看CUDA logs（如果有报错）寻找更多信息。

if __name__ == "__main__": args = parse_args() print("A list all args: \n======================") pprint(vars(args)) print() #设置 CPU 生成随机数的种子 ，方便下次复现实验结果。 torch.manual_seed(args.seed) np.random.seed(args.seed) #路径拼接文件路径，可以传入多个路径 PATH = os.path.join("resources", args.data) EMBEDDING_PATH = "resources/" static_feat = ["sex", "age", "pur_power"] dynamic_feat = ["category", "shop", "brand"] device = torch.device("cuda" if torch.cuda.is_available() else "cpu") n_epochs = args.n_epochs batch_size = args.batch_size lr = args.lr item_embed_size = args.embed_size feat_embed_size = args.embed_size hidden_size = (256, 128) #CosineEmbeddingLoss余弦相似度损失函数，用于判断输入的两个向量是否相似 #BCEWithLogitsLoss就是把Sigmoid-BCELoss合成一步,计算交叉损失熵 criterion = ( nn.CosineEmbeddingLoss() if args.loss == "cosine" else nn.BCEWithLogitsLoss() ) #lower将字符串中的所有大写字母转换为小写字母 criterion_type = ( "cosine" if "cosine" in criterion.__class__.__name__.lower() else "bce" ) neg_label = -1. if criterion_type == "cosine" else 0. neg_item = args.neg_item columns = ["user", "item", "label", "time", "sex", "age", "pur_power", "category", "shop", "brand"] ( n_users, n_items, train_user_consumed, eval_user_consumed, train_data, eval_data, user_map, item_map, feat_map#feature是特征比如数据集里 age, brand 之类的 ) = process_feat_data( PATH, columns, test_size=0.2, time_col="time", static_feat=static_feat, dynamic_feat=dynamic_feat ) print(f"n_users: {n_users}, n_items: {n_items}, " f"train_shape: {train_data.shape}, eval_shape: {eval_data.shape}") train_user, train_item, train_label = sample_items_random( train_data, n_items, train_user_consumed, neg_label, neg_item ) eval_user, eval_item, eval_label = sample_items_random( eval_d

这个代码段的作用是：
1. 检查当前运行的代码是否为主程序，而不是被其他程序导入后调用的子程序；
2. 如果是主程序，则调用 parse_args() 函数解析命令行参数，并将结果保存在 args 变量中；
3. 打印所有解析后的参数列表，并用 pprint() 函数以易于阅读的格式输出。