如何查看jupyter notebook 运行占用cpu还是gpu

在Jupyter Notebook中，你可以通过运行特定的Python命令来检查计算资源的使用情况，包括CPU和GPU。对于CPU的使用情况，可以使用`%load_ext` 和 `%memit` 或者第三方库如`psutil`来查看。以下是查看CPU占用的一个简单示例：

# 导入psutil库（如果未安装需先pip install psutil）
import psutil

# 获取当前进程的CPU使用率
cpu_usage = psutil.cpu_percent(interval=1)
print(f"当前CPU使用率: {cpu_usage}%")

# 对于GPU，如果你使用的是支持GPU的库，例如NumPy、Pandas或TensorFlow，并且已经在笔记本中激活了GPU计算，可以直接查看其使用情况。例如，在TensorFlow中：
import tensorflow as tf
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    for gpu in gpus:
        print(f"GPU {gpu.name}:", tf.test.gpu_device_name())
else:
    print("No GPU found.")

相关问题

jupyter notebook卡在代码界面

Jupyter Notebook有时可能会出现卡顿现象，这通常是因为以下几个原因：

1. **计算密集型任务**：如果你正在运行的时间-consuming 或内存占用大的操作，如大数据处理、深度学习训练等，CPU和GPU负载大可能导致界面暂时冻结。

2. **资源限制**：检查是否有足够的系统资源（如内存或磁盘空间），如果不足，运行某些大型数据集或复杂的脚本时就会卡住。

3. **网络延迟**：如果你的环境连接到的是远程服务器，网络不稳定或速度慢也会影响交互性能。

4. **软件冲突**：有些库之间可能存在兼容性问题，导致Jupyter Notebook运行困难。

5. **软件bug**：有时候，Jupyter Notebook本身或其插件可能存在已知的bug，需要更新到最新版本或者寻找解决方案。

解决方法包括：
- 结束并重新加载卡住的Notebook，或者重启整个Kernel（菜单 > Kernel > Restart Kernel）。
- 检查资源使用情况，并适当调整任务配置或增加硬件资源。
- 确保所有依赖的库都是最新的，并更新有问题的部分。
- 查看Jupyter Notebook的日志文件（`jupyter_notebook.log`），寻找错误信息。

jupyter 清除torch

### 如何在 Jupyter Notebook 中清除 PyTorch 变量和缓存以释放 GPU 内存

#### 使用 `torch.cuda.empty_cache()`

为了清空 CUDA 缓存并释放未被使用的显存，在代码中调用此函数：

import torch

torch.cuda.empty_cache()

该命令会清理掉那些不再被活跃张量所占用的缓存空间，从而帮助回收部分 GPU 显存资源[^1]。

#### 删除所有变量并重置内核状态

除了清理缓存外，还可以删除所有的 Python 对象来进一步减少内存占用。这可以通过关闭当前运行中的 Jupyter Notebook 的 Kernel 并重新启动它实现。具体操作是在菜单栏选择 "Kernel" -> "Restart & Clear Output" 或者使用快捷键 Ctrl+0, r 来达到目的。

另外一种方式是利用 IPython 魔法命令 `%reset` 来一次性移除工作区内的全部命名对象（即变量）。注意执行这条指令前需确认确实不需要保存任何数据，因为这将彻底清除所有已定义的名字。

%reset -f

这里的 `-f` 参数表示强制模式，不会弹出确认提示框直接执行重置动作[^4]。

#### 设置 tensor 设备为 CPU

对于已经创建但在 GPU 上分配了存储器的对象，可将其转移到 CPU 上处理后再销毁这些对象，这样也可以有效降低 GPU 负载。

tensor_on_gpu = ...  # 假设这是位于GPU上的某个Tensor实例
tensor_on_cpu = tensor_on_gpu.to('cpu')
del tensor_on_gpu

以上措施结合起来能够较为全面地管理 PyTorch 应用程序中的 GPU 内存消耗情况。