torch.cuda

该软件包增加了对 CUDA 张量类型的支持。

它实现了与 CPU 张量相同的功能，但它们利用 GPU 进行计算。

它是延迟初始化的，因此您始终可以导入它，并使用 is_available() 来确定您的系统是否支持 CUDA。

CUDA 语义 中有更多关于使用 CUDA 的详细信息。

StreamContext	选择给定流的上下文管理器。
can_device_access_peer	检查两个设备之间是否可以进行对等访问。
current_blas_handle	返回指向当前 cuBLAS 핸들의 cublasHandle_t 指针
current_device	返回当前选择的设备的索引。
current_stream	返回给定设备当前选择的 Stream。
default_stream	返回给定设备的默认 Stream。
device	更改所选设备的上下文管理器。
device_count	返回可用的 GPU 数量。
device_of	将当前设备更改为给定对象的设备的上下文管理器。
get_arch_list	返回编译此库所针对的 CUDA 架构列表。
get_device_capability	获取设备的 CUDA 功能。
get_device_name	获取设备的名称。
get_device_properties	获取设备的属性。
get_gencode_flags	返回编译此库时使用的 NVCC 生成代码标志。
get_sync_debug_mode	返回 CUDA 同步操作的调试模式的当前值。
init	初始化 PyTorch 的 CUDA 状态。
ipc_collect	在 CUDA IPC 释放 GPU 内存后强制收集它。
is_available	返回一个布尔值，指示 CUDA 当前是否可用。
is_initialized	返回 PyTorch 的 CUDA 状态是否已初始化。
memory_usage	返回过去采样周期内读写全局（设备）内存的时间百分比，如 nvidia-smi 所示。
set_device	设置当前设备。
set_stream	设置当前流。这是用于设置流的包装器 API。
set_sync_debug_mode	设置 CUDA 同步操作的调试模式。
stream	围绕选择给定流的上下文管理器 StreamContext 进行包装。
synchronize	等待 CUDA 设备上所有流中的所有内核完成。
utilization	返回过去采样周期内一个或多个内核在 GPU 上执行的时间百分比，如 nvidia-smi 所示。
temperature	返回 GPU 传感器的平均温度，单位为摄氏度 (C)。
power_draw	返回 GPU 传感器的平均功耗，单位为毫瓦 (mW)
clock_rate	返回过去采样周期内 GPU SM 的时钟速度，单位为赫兹 (Hz)，如 nvidia-smi 所示。
OutOfMemoryError	当设备内存不足时引发的异常

随机数生成器

get_rng_state	以 ByteTensor 的形式返回指定 GPU 的随机数生成器状态。
get_rng_state_all	返回一个 ByteTensor 列表，表示所有设备的随机数状态。
set_rng_state	设置指定 GPU 的随机数生成器状态。
set_rng_state_all	设置所有设备的随机数生成器状态。
manual_seed	设置当前 GPU 生成随机数的种子。
manual_seed_all	设置所有 GPU 上生成随机数的种子。
seed	将当前 GPU 生成随机数的种子设置为随机数。
seed_all	将所有 GPU 上生成随机数的种子设置为随机数。
initial_seed	返回当前 GPU 的当前随机种子。

通信集合

comm.broadcast	将张量广播到指定的 GPU 设备。
comm.broadcast_coalesced	将一系列张量广播到指定的 GPU。
comm.reduce_add	对来自多个 GPU 的张量求和。
comm.scatter	将张量分散到多个 GPU 上。
comm.gather	从多个 GPU 设备收集张量。

流和事件

Stream	CUDA 流的包装器。
ExternalStream	外部分配的 CUDA 流的包装器。
Event	CUDA 事件的包装器。

图（测试版）

is_current_stream_capturing	如果当前 CUDA 流上正在进行 CUDA 图捕获，则返回 True，否则返回 False。
graph_pool_handle	返回一个表示图内存池 ID 的不透明标记。
CUDAGraph	CUDA 图的包装器。
graph	将 CUDA 工作捕获到 torch.cuda.CUDAGraph 对象中以供以后重放的上下文管理器。
make_graphed_callables	接受可调用对象（函数或 nn.Module）并返回图形化版本。

内存管理

empty_cache	释放当前由缓存分配器持有的所有未占用的缓存内存，以便它们可以在其他 GPU 应用程序中使用并在 nvidia-smi 中可见。
list_gpu_processes	返回给定设备上正在运行的进程及其 GPU 内存使用情况的人类可读打印输出。
mem_get_info	使用 cudaMemGetInfo 返回给定设备的全局可用和总 GPU 内存。
memory_stats	返回给定设备的 CUDA 内存分配器统计信息字典。
memory_summary	返回给定设备的当前内存分配器统计信息的人类可读打印输出。
memory_snapshot	返回所有设备上 CUDA 内存分配器状态的快照。
memory_allocated	返回给定设备上张量占用的当前 GPU 内存（以字节为单位）。
max_memory_allocated	返回给定设备上张量占用的最大 GPU 内存（以字节为单位）。
reset_max_memory_allocated	重置跟踪给定设备上张量占用的最大 GPU 内存的起点。
memory_reserved	返回给定设备上缓存分配器管理的当前 GPU 内存（以字节为单位）。
max_memory_reserved	返回给定设备上缓存分配器管理的最大 GPU 内存（以字节为单位）。
set_per_process_memory_fraction	设置进程的内存分数。
memory_cached	已弃用；请参阅 memory_reserved()。
max_memory_cached	已弃用；请参阅 max_memory_reserved()。
reset_max_memory_cached	重置跟踪给定设备上缓存分配器管理的最大 GPU 内存的起点。
reset_peak_memory_stats	重置 CUDA 内存分配器跟踪的“峰值”统计信息。
caching_allocator_alloc	使用 CUDA 内存分配器执行内存分配。
caching_allocator_delete	删除使用 CUDA 内存分配器分配的内存。
get_allocator_backend	返回一个字符串，描述由 PYTORCH_CUDA_ALLOC_CONF 设置的活动分配器后端。
CUDAPluggableAllocator	从 so 文件加载的 CUDA 内存分配器。
change_current_allocator	将当前使用的内存分配器更改为提供的分配器。

NVIDIA 工具扩展 (NVTX)

nvtx.mark	描述在某个时间点发生的瞬时事件。
nvtx.range_push	将范围推送到嵌套范围跨度的堆栈上。
nvtx.range_pop	从嵌套范围跨度的堆栈中弹出范围。
nvtx.range	上下文管理器/装饰器，在其范围开始时推送 NVTX 范围，并在结束时弹出。

Jiterator（测试版）

jiterator._create_jit_fn	为元素操作创建 jiterator 生成的 cuda 内核。
jiterator._create_multi_output_jit_fn	为支持返回一个或多个输出的元素操作创建 jiterator 生成的 cuda 内核。

TunableOp

某些操作可以使用多个库或多种技术来实现。例如，可以使用 cublas/cublasLt 库或 hipblas/hipblasLt 库分别为 CUDA 或 ROCm 实现 GEMM。如何知道哪种实现最快并且应该选择哪种实现？这就是 TunableOp 提供的功能。某些运算符已使用多种策略作为可调运算符来实现。在运行时，会对所有策略进行性能分析，并为所有后续操作选择最快的策略。

有关如何使用它的信息，请参阅文档。

流清理器（原型）

CUDA 清理器是一种用于检测 PyTorch 中流之间同步错误的原型工具。有关如何使用它的信息，请参阅文档。