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）”；
- 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。
