pytorch安装之后测试cuda是否安装成功命令

当我们在电脑上安装好cuda和pytorch之后，需要测试安装的环境是否可用，所以，可以用下面代码测试

一、环境验证代码示例

import torch

def verify_dl_environment():
    """深度学习环境完整性验证函数"""
    
    # 核心组件版本验证
    print("✅ PyTorch版本验证:", torch.__version__)
    print("✅ CUDA工具包版本:", torch.version.cuda)
    print("✅ cuDNN加速库版本:", torch.backends.cudnn.version())
    
    # GPU硬件信息检测
    if torch.cuda.is_available():
        print("\n🔥 GPU加速状态：已激活")
        print(f"• 当前显卡型号: {torch.cuda.get_device_name(0)}")
        print(f"• 可用GPU数量: {torch.cuda.device_count()}个")
        print(f"• 显存容量: {round(torch.cuda.get_device_properties(0).total_memory/1e9, 2)}GB")
    else:
        print("\n❌ GPU加速状态：未检测到可用显卡")

if __name__ == "__main__":
    verify_dl_environment()

二、执行结果解读

✅ 正常输出示例：

✅ PyTorch版本验证: 2.1.0+cu121
✅ CUDA工具包版本: 12.1
✅ cuDNN加速库版本: 8902

🔥 GPU加速状态：已激活
• 当前显卡型号: NVIDIA GeForce RTX 4090
• 可用GPU数量: 1个
• 显存容量: 24.0GB

❌ 异常情况处理：

若显示GPU加速状态：未检测到可用显卡，请检查：

NVIDIA驱动是否安装（nvidia-smi命令验证）

PyTorch与CUDA版本兼容性

是否安装GPU版PyTorch（非CPU版本）

三、进阶测试：GPU加速功能验证

# 创建测试张量
cpu_tensor = torch.randn(10000, 10000)
gpu_tensor = cpu_tensor.cuda()  # 数据迁移至GPU

# 性能对比测试
def speed_test(device):
    x = torch.randn(10000, 10000, device=device)
    y = torch.randn(10000, 10000, device=device)
    %timeit x @ y  # Jupyter环境可用

print("\n⏱ CPU计算耗时:")
speed_test("cpu")

print("\n⚡ GPU计算耗时:")
speed_test("cuda")

四、注意事项

版本兼容性参考：

访问PyTorch官网核对[版本对应表]

CUDA版本需与nvidia-smi显示的Driver API版本兼容

云服务器用户需注意：

检查GPU实例类型

确保已安装NVIDIA驱动