怎么用GPU运行python代码

使用GPU运行Python代码需要安装CUDA和cuDNN等GPU相关的库，并且需要安装支持GPU的Python库，比如TensorFlow和PyTorch等。

以下是使用TensorFlow和PyTorch在GPU上运行Python代码的示例：

1. 使用TensorFlow在GPU上运行Python代码

import tensorflow as tf

# 指定使用GPU
physical_devices = tf.config.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 加载数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 数据预处理
x_train, x_test = x_train / 255.0, x_test / 255.0

# 训练模型
model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test))

2. 使用PyTorch在GPU上运行Python代码

import torch

# 指定使用GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# 定义模型
model = torch.nn.Sequential(
    torch.nn.Linear(784, 32),
    torch.nn.ReLU(),
    torch.nn.Linear(32, 10),
    torch.nn.Softmax(dim=1)
)

# 将模型放到GPU上
model.to(device)

# 定义损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters())

# 加载数据
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=torchvision.transforms.ToTensor(), download=True)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

# 训练模型
for epoch in range(5):
    for i, (inputs, labels) in enumerate(train_loader):
        # 将数据放到GPU上
        inputs, labels = inputs.to(device), labels.to(device)
        
        # 前向传播
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

需要注意的是，使用GPU运行Python代码需要确保你的电脑上有支持GPU的硬件设备（例如NVIDIA的显卡），并且安装了相应的驱动程序。