Windows/Linux双系统下CUDA_VISIBLE_DEVICES配置全攻略（附Pytorch验证脚本）
在深度学习开发中，合理配置GPU资源是提升工作效率的关键。CUDA_VISIBLE_DEVICES环境变量作为NVIDIA提供的GPU设备控制机制，能够精确指定程序可用的显卡设备。本文将全面解析跨平台环境下的配置方法，并提供可直接验证的Pytorch脚本。
1. 理解CUDA_VISIBLE_DEVICES的核心机制
CUDA_VISIBLE_DEVICES通过设备过滤机制实现GPU资源的精准分配。当我们在多GPU环境中设置该变量时，实际上是在创建一个虚拟的设备映射表：
- 物理设备：服务器实际安装的GPU硬件（如nvidia-smi显示的0,1,2,3）
- 逻辑设备：程序运行时识别的GPU编号（始终从0开始连续编号）
例如设置CUDA_VISIBLE_DEVICES=2,1时：
- 物理GPU2 → 逻辑GPU0
- 物理GPU1 → 逻辑GPU1
- 其他GPU对程序不可见
这种映射关系直接影响深度学习框架的设备识别方式。在Pytorch中，torch.cuda.device_count()返回的始终是可见设备的数量，而非物理设备总数。
2. Windows系统配置方法详解
Windows平台提供多种配置方式，各有适用场景：
2.1 图形界面永久配置
- 右键"此电脑" → 属性 → 高级系统设置
- 环境变量 → 系统变量 → 新建
- 变量名：
CUDA_VISIBLE_DEVICES - 变量值：目标GPU编号（如
0,1） - 重启所有终端使配置生效
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
