python 环境gpu加速

### 配置 Python 环境以实现 GPU 加速

#### 安装必要的依赖项和工具链
为了使 TensorFlow 和 PyTorch 能够利用 GPU 进行加速运算，必须确保安装了合适的 NVIDIA 显卡驱动以及 CUDA 工具包。这一步骤至关重要，因为只有当这些组件正确配置之后，深度学习框架才能识别并调用 GPU 设备。

对于显卡驱动的要求，在控制面板中查看当前使用的驱动版本，并确认该版本支持所需的 CUDA 版本[^5]。如果现有驱动不满足需求，则应考虑升级到更高版本的驱动程序。

#### 创建虚拟环境与安装特定版本的 TensorFlow 或 PyTorch
建议创建一个新的 Conda 或者 venv 的 Python 虚拟环境来进行开发工作。这样做的好处是可以隔离不同项目之间的依赖关系冲突。针对 TensorFlow-GPU 的安装，可以参照如下命令：

conda create -n tf_gpu python=3.8
conda activate tf_gpu
pip install tensorflow-gpu==2.4.0 -i https://pypi.douban.com/simple/

而对于 PyTorch 来说，官方提供了更简便的方式来自动生成适合系统的安装指令，访问 [PyTorch官网](https://pytorch.org/get-started/locally/) 并按照页面上的指导操作即可获取正确的安装语句。

#### 测试 GPU 是否被成功启用
完成上述步骤后，还需要验证所选框架确实能够在 GPU 上运行。下面给出两种方法分别适用于 TensorFlow 和 PyTorch:

##### 对于 TensorFlow:

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

这段代码会打印出可用 GPU 数量；如果有任何数量大于零的结果返回，说明 TensorFlow 成功连接到了 GPU[^1]。

##### 对于 PyTorch:

import torch
if torch.cuda.is_available():
    print(f'CUDA is available! Using {torch.cuda.get_device_name(0)}')
else:
    print('No CUDA device found.')

此段代码用于检测是否有可用的 CUDA 设备，并输出设备名称。