CPU vs. GPU vs. MPS: Vælg en enhed
Find CUDA eller Apple MPS, eller faĺd tilbage til CPU.
CPU vs. GPU vs. MPS: Vælg en enhed er en gratis Deep Learning Academy-lektion på CoddyKit. Dette er lektion 2 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Deep Learning Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Hvor matematikken foregår
Hver tensor befinder sig på en enhed: CPU'en, en GPU eller Apples MPS. Enheden afgør, hvor hurtigt din model trænes. ⚡
CPU'en virker altid
Din CPU er det sikre standardvalg. Den kører alle PyTorch-operationer, men langsommere, når det gælder den tunge matrixmatematik, som store netværk kræver.
GPU'en er hurtig
En GPU udfører tusindvis af multiplikationer parallelt, hvilket gør den langt hurtigere til dyb læring. PyTorch får adgang til NVIDIA-GPU'er gennem CUDA.
Apple Silicon har MPS
På en Mac med Apple Silicon bruger MPS den indbyggede GPU. Det er den hurtige vej til chips i M-serien uden NVIDIA-hardware.
Find CUDA
Spørg PyTorch, om en NVIDIA-GPU er tilgængelig, før du bruger en. cuda.is_available returnerer True eller False, så du aldrig behøver gætte.
torch.cuda.is_available()Find MPS
På en Mac kontrollerer du Apples backend på samme måde. mps.is_available fortæller dig, om M-serie-GPU'en er klar til brug.
torch.backends.mps.is_available()Vælg den bedste enhed
Et rent mønster prøver først CUDA, derefter MPS og falder så tilbage til CPU. Denne device-streng tilpasser sig den maskine, som kører din kode.
device = 'cuda' if torch.cuda.is_available() else 'cpu'Flyt en tensor
Send data til den valgte enhed med .to(device). Tensorens tal er uændrede, men beregningerne kører nu dér.
x = torch.tensor([1.0, 2.0]).to(device)Hold alt samlet
Din model og dine data skal være på den samme enhed. Hvis du blander CPU- og GPU-tensorer, opstår der en device mismatch-fejl under det fremadrettede gennemløb.
Se, hvor en tensor befinder sig
Er du i tvivl om, hvor dataene befinder sig? Læs attributten .device. Den viser cpu, cuda eller mps, så du hurtigt kan bekræfte placeringen.
print(x.device)Hvornår skal du bruge hvad
Brug GPU til rigtig træning og CPU til hurtige test eller små datamængder. Den hurtigste enhed er den, din hardware faktisk har.
Hurtigt tjek
Vælg det rigtige kald til en Mac med Apple Silicon.
Opsummering
Du lærte at registrere CUDA, MPS eller CPU, vælge den bedste enhed og flytte tensorer dertil. Samme kode, den hurtigste tilgængelige hardware. 🚀
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “CPU vs. GPU vs. MPS: Vælg en enhed” gratis?
Ja — hele teksten til “CPU vs. GPU vs. MPS: Vælg en enhed” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Deep Learning Academy-kurset, skal du opgradere til CoddyKit PRO. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “CPU vs. GPU vs. MPS: Vælg en enhed”?
Find CUDA eller Apple MPS, eller faĺd tilbage til CPU. Du øver dig i Deep Learning Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Deep Learning Academy?
Der kræves ingen tidligere erfaring. Deep Learning Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 4.
Hvor lang tid tager lektionen “CPU vs. GPU vs. MPS: Vælg en enhed”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Deep Learning Academy-lektion?
Ja. Alle Deep Learning Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Installér PyTorch, og kontrollér importen
- CPU vs. GPU vs. MPS: Vælg en enhed
- Notebooks, scripts og reproducerbare seeds
- Din første torch.tensor