Pytorch 如何告诉Pytork不要使用GPU？

我想做一些CPU和GPU之间的时间比较，以及一些评测，我想知道是否有一种方法告诉我不要使用GPU，而只使用CPU？我意识到我只能安装另一个CPU，但希望有一个更简单的方法。

在运行torch代码之前，您可以通过shell将

CUDA\u VISIBLE\u DEVICES

变量设置为空

export CUDA\u VISIBLE\u DEVICES=”“

应该告诉torch没有GPU

---

导出CUDA\u VISIBLE\u DEVICES=“0”

将告诉它只使用一个GPU（id为0的GPU），依此类推。

我只想补充一点，在PyTorch代码中也可以这样做：

以下是一个来自以下方面的小示例：

脚本开头的

#
device=torch.device（“如果torch.cuda.is可用，则cuda:0（），否则为“cpu”）
...
#当你得到一个新的张量或模时
#如果它们已在所需设备上，则不会复制
输入=数据。到（设备）
型号=MyModule（…）。到（设备）

我认为这个例子很能自我解释。但如果有任何问题，只要问
在上面的示例中使用这种语法的一大优势是，如果没有可用的GPU，您可以创建在CPU上运行的代码，但也可以在GPU上运行，而无需更改一行代码

您也可以将设备设置为CPU，如下所示：

device=torch.device（“cpu”）

此外，您可以使用

设备

标志在所需设备上创建张量：

mytensor=torch.rand（5,5，设备=设备）

这将直接在前面指定的

设备上创建张量

我想指出，您可以使用这种语法在CPU和GPU之间切换，也可以在不同的GPU之间切换

我希望这是有帮助的
 使用python的最简单方法是：

  os.environ["CUDA_VISIBLE_DEVICES"]=""

一般的
正如前面的回答所示，您可以使用以下方法在cpu上运行pytorch：

device=torch.device（“cpu”）

比较训练模型
我想添加如何在cpu上加载以前训练过的模型（示例取自）

注意：确保输入模型的所有数据也在cpu上

推荐装载量
model=model类（*args，**kwargs）
model.load\u state\u dict（torch.load（路径、映射位置=torch.device（“cpu”））

加载整个模型
model=torch.load（路径），map\u location=torch.device（“cpu”））
这似乎仍然给我一个错误：用户警告：CUDA初始化：在您的系统上找不到NVIDIA驱动程序

。您正在代码中调用

.CUDA（）

？@umaggupta-我在代码中的许多地方调用

.CUDA（）

。这是否意味着该代码被配置为默认使用GPU？如果是，我应该做什么更改以使其在GPU上运行？您可以将

.cuda（）

替换为

.cpu（）

，以确保您的代码使用cpu。这很麻烦，但我认为这是最简单的方法。将来，在顶部声明

设备

，并使用

.to

将模型/张量移动到设备。对于如何做到这一点。。。请参阅MBT的答案或此链接