CPU, GPU czy MPS: wybrać urządzenie
Wykrywać CUDA lub Apple MPS, a w razie potrzeby przechodzić na CPU
CPU, GPU czy MPS: wybrać urządzenie to bezpłatna lekcja Deep Learning Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Deep Learning Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Gdzie odbywają się obliczenia
Każdy tensor znajduje się na określonym urządzeniu: CPU, GPU albo Apple MPS. Urządzenie decyduje o szybkości trenowania modelu. ⚡
CPU zawsze działa
Twój CPU to bezpieślne ustawienie domyślne. Wykonuje każdą operację PyTorch, choć wolniej radzi sobie z intensywnymi obliczeniami macierzowymi wymaganymi przez duże sieci.
GPU działa szybko
GPU wykonuje tysiące mnożeń równolegle, dzięki czemu jest znacznie szybsze w uczeniu głębokim. PyTorch korzysta z układów NVIDIA za pośrednictwem CUDA.
Apple Silicon ma MPS
Na komputerze Mac z układem Apple Silicon MPS wykorzystuje wbudowane GPU. To szybka ścieżka dla układów z serii M, które nie mają sprzętu NVIDIA.
Wykrywanie CUDA
Zanim użyjesz procesora graficznego NVIDIA, zapytaj PyTorch, czy jest on dostępny. cuda.is_available zwraca True albo False, więc nie musisz niczego zakładać.
torch.cuda.is_available()Wykrywanie MPS
Na komputerze Mac sprawdź backend Apple w ten sam sposób. mps.is_available informuje, czy GPU układu z serii M jest gotowe do użycia.
torch.backends.mps.is_available()Wybierz najlepsze urządzenie
Czysty wzorzec najpierw próbuje użyć CUDA, następnie MPS, a na końcu przechodzi na CPU. Ten ciąg device dopasowuje się do maszyny, na której działa kod.
device = 'cuda' if torch.cuda.is_available() else 'cpu'Przenieś tensor
Wyślij dane na wybrane urządzenie za pomocą .to(device). Liczby w tensorze pozostają bez zmian, ale operacje na nim są teraz wykonywane na tym urządzeniu.
x = torch.tensor([1.0, 2.0]).to(device)Trzymaj wszystko razem
Model i dane muszą znajdować się na tym samym urządzeniu. Połączenie tensorów z CPU i GPU powoduje błąd device mismatch podczas przebiegu w przód.
Sprawdź, gdzie znajduje się tensor
Nie wiesz, gdzie znajdują się dane? Odczytaj atrybut .device. Wyświetla on cpu, cuda lub mps, dzięki czemu można szybko sprawdzić, gdzie umieszczono dane.
print(x.device)Kiedy używać którego urządzenia
Używaj GPU do właściwego trenowania, a CPU do szybkich testów lub pracy z niewielką ilością danych. Najszybsze jest to urządzenie, które rzeczywiście znajduje się w używanym sprzęcie.
Szybkie sprawdzenie
Wybierz właściwe wywołanie dla komputera Mac z układem Apple Silicon.
Podsumowanie
Nauczył(a) się Pan(i) wykrywać CUDA, MPS lub CPU, wybierać najlepsze urządzenie i przenosić na nie tensory. Ten sam kod, a do dyspozycji najszybszy dostępny sprzęt. 🚀
Często zadawane pytania
Czy lekcja „CPU, GPU czy MPS: wybrać urządzenie” jest bezpłatna?
Tak — pełny tekst „CPU, GPU czy MPS: wybrać urządzenie” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Deep Learning Academy, przejdź na CoddyKit PRO. Kurs Deep Learning Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „CPU, GPU czy MPS: wybrać urządzenie”?
Wykrywać CUDA lub Apple MPS, a w razie potrzeby przechodzić na CPU Ćwiczysz Deep Learning Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Deep Learning Academy?
Nie wymagamy żadnego doświadczenia. Deep Learning Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „CPU, GPU czy MPS: wybrać urządzenie”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Deep Learning Academy?
Tak. Każda lekcja Deep Learning Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Zainstalować PyTorch i sprawdzić import
- CPU, GPU czy MPS: wybrać urządzenie
- Notatniki, skrypty i powtarzalne ziarna losowości
- Pierwszy torch.tensor