CPU kontra GPU kontra MPS: välj en enhet
Identifiera CUDA eller Apple MPS, och använd annars CPU
CPU kontra GPU kontra MPS: välj en enhet är en gratis lektion i Deep Learning Academy på CoddyKit. Detta är lektion 2 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Deep Learning Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Där matematiken sker
Varje tensor finns på en enhet: processorn, en GPU eller Apples MPS. Enheten avgör hur snabbt modellen tränas. ⚡
Processorn fungerar alltid
Din CPU är det säkra standardvalet. Den kör alla PyTorch-operationer, men långsammare när det gäller den tunga matrismatematik som stora nätverk kräver.
GPU:n är snabb
En GPU utför tusentals multiplikationer parallellt, vilket gör den mycket snabbare för djupinlärning. PyTorch använder CUDA för att kommunicera med NVIDIA GPU:er.
Apple Silicon har MPS
På en Mac med Apple Silicon använder MPS den inbyggda GPU:n. Det är den snabba vägen för M-seriens chip utan NVIDIA-maskinvara.
Identifiera CUDA
Fråga PyTorch om en NVIDIA-GPU är tillgänglig innan du använder en. cuda.is_available returnerar True eller False, så att du aldrig behöver gissa.
torch.cuda.is_available()Identifiera MPS
På en Mac kontrollerar du Apples backend på samma sätt. mps.is_available visar om M-seriens GPU är redo att användas.
torch.backends.mps.is_available()Välj den bästa enheten
Ett rent mönster försöker först med CUDA, sedan MPS och faller därefter tillbaka på CPU. Den här device-strängen anpassar sig efter den dator som kör koden.
device = 'cuda' if torch.cuda.is_available() else 'cpu'Flytta en tensor
Skicka data till den valda enheten med .to(device). Tensorvärdena ändras inte, men beräkningarna körs nu där.
x = torch.tensor([1.0, 2.0]).to(device)Håll allt på samma enhet
Modellen och dina data måste använda samma enhet. Om CPU- och GPU-tensorer blandas uppstår ett device mismatch-fel under forward-passeringen.
Kontrollera var en tensor finns
Osäker på var datan finns? Läs attributet .device. Det skriver ut cpu, cuda eller mps, så att du snabbt kan bekräfta placeringen.
print(x.device)När ska du använda vad?
Använd GPU för riktig träning och CPU för snabba tester eller små datamängder. Den snabbaste enheten är den som faktiskt finns i din maskin.
Snabb kontroll
Välj rätt anrop för en Mac med Apple Silicon.
Sammanfattning
Du har lärt dig att identifiera CUDA, MPS eller CPU, välja den bästa och flytta tensorer dit. Samma kod, den snabbaste tillgängliga hårdvaran. 🚀
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”CPU kontra GPU kontra MPS: välj en enhet” gratis?
Ja – hela texten till ”CPU kontra GPU kontra MPS: välj en enhet” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Deep Learning Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”CPU kontra GPU kontra MPS: välj en enhet”?
Identifiera CUDA eller Apple MPS, och använd annars CPU Ni övar på Deep Learning Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Deep Learning Academy?
Du behöver inga förkunskaper. Utbildningen i Deep Learning Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 2 av 4.
Hur lång tid tar lektionen ”CPU kontra GPU kontra MPS: välj en enhet”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Deep Learning Academy-lektionen?
Ja. Varje Deep Learning Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Installera PyTorch och verifiera importen
- CPU kontra GPU kontra MPS: välj en enhet
- Anteckningsböcker, skript och reproducerbara slumpfrön
- Din första torch.tensor