首先确认硬件支持并安装NVIDIA驱动，运行nvidia-smi查看CUDA版本；然后通过pip或conda安装支持GPU的PyTorch或TensorFlow，如pip install torch --index-url https://download.pytorch.org/whl/cu118；在代码中使用torch.cuda.is_available()或tf.config.list_physical_devices('GPU')检测GPU，并将数据和模型移至GPU执行加速计算。
要在 Python 中使用 GPU 环境，关键在于安装支持 GPU 的库并正确配置运行环境。目前最常见的是利用 NVIDIA 的 CUDA 平台，通过深度学习框架如 PyTorch 或 TensorFlow 调用 GPU 加速计算。
确认硬件和驱动支持
确保你的设备具备 NVIDIA 显卡，并已安装合适的驱动：
- 运行 nvidia-smi 命令查看显卡驱动和 CUDA 版本信息
- 若命令未识别，请前往 NVIDIA 官网安装最新驱动
- CUDA 支持需要 Compute Capability 3.5 或更高的 GPU
安装支持 GPU 的深度学习框架
以 PyTorch 和 TensorFlow 为例：
PyTorch：
立即学习“Python免费学习笔记（深入）”；
睿拓企业网站系统1.2
下载
睿拓智能网站系统-睿拓企业网站系统1.2免费版软件大小:6M运行环境：asp+access本版本是永州睿拓信息企业网站管理系统包括了企业网站常用的各种功能，带完整的后台管理系统，本程序无任何功能限制下载即可使用，具体功能如下。1.网站首页2.会员注册3.新闻文章模块4.产品图片展示模块5.人才招聘模块6.在线留言模块7.问卷调查模块8.联系我们模块9.在线QQ客服系统10.网站流量统计系统11.后
- 访问 PyTorch 官网，选择带 CUDA 的版本
- 使用 pip 安装，例如： pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
TensorFlow：
- 安装支持 GPU 的版本： pip install tensorflow[and-cuda]
- 适用于 TensorFlow 2.10+，会自动安装必要的 CUDA 和 cuDNN 库
在代码中使用 GPU
以 PyTorch 为例，检查并使用 GPU：
import torch# 检查是否有可用的 GPU
if torch.cuda.is_available():
device = torch.device("cuda")
print(f"使用 GPU: {torch.cuda.get_device_name(0)}")
else:
device = torch.device("cpu")
print("GPU 不可用，使用 CPU")
# 将张量或模型移动到 GPU
x = torch.tensor([1.0, 2.0]).to(device)
model = MyModel().to(device)
对于 TensorFlow：
import tensorflow as tfprint("GPU 可用:", tf.config.list_physical_devices('GPU'))
# 计算会自动优先使用 GPU（如果可用）
使用 Anaconda 管理环境（推荐）
- 创建独立环境避免依赖冲突： conda create -n gpu_env python=3.9
- 安装 cudatoolkit： conda install cudatoolkit=11.8
- 再安装 PyTorch 或 TensorFlow，conda 会处理兼容性问题
基本上就这些。只要系统有支持的 NVIDIA 显卡、正确安装驱动与工具链，并选用带 GPU 支持的库版本，Python 就能顺利调用 GPU 进行加速计算。注意版本匹配问题，尤其是 CUDA、cuDNN 和框架之间的兼容性。
