在Jupyter Notebook中查看GPU使用情况是深度学习和数据科学领域的一个重要需求，尤其是在进行模型训练和数据处理时，本文将详细介绍如何在Jupyter Notebook中查看GPU使用情况。

准备工作

确保你的系统已经安装了NVIDIA的CUDA工具包和cuDNN库，并且已经配置好了相应的环境，你需要安装一个支持GPU的Jupyter Notebook环境，这通常可以通过安装支持GPU的Python发行版（如Anaconda）或者使用Docker容器来实现。

安装必要的库

为了查看GPU使用情况，我们需要安装一些额外的库，打开Jupyter Notebook，然后在一个代码单元格中输入以下命令并运行：

 !pip install tensorflowgpu !pip install nbextensions_configurator

这将安装TensorFlow的GPU版本和一个用于配置Jupyter Notebook扩展的工具。

启用GPU监控扩展

我们需要启用一个名为“GPU Monitor”的Jupyter Notebook扩展，它可以实时显示GPU的使用情况，在Jupyter Notebook的一个代码单元格中输入以下命令并运行：

 !jupyter nbextensions_configurator enable user

然后重启Jupyter Notebook，你会在页面上方看到一个名为“GPU Monitor”的新选项卡。

查看GPU使用情况

点击“GPU Monitor”选项卡，你将看到一个实时更新的GPU使用情况图表，这个图表显示了GPU的内存使用情况、显存使用情况、温度等信息，通过这个图表，你可以直观地了解GPU在运行过程中的状态。

编写代码查看GPU使用情况

除了使用GPU Monitor扩展，你还可以通过编写代码来查看GPU的使用情况，在Jupyter Notebook的一个代码单元格中输入以下代码并运行：

 import tensorflow as tf 创建一个GPU设备 gpus = tf.config.experimental.list_physical_devices('GPU') if gpus:     try:         # 设置程序优先使用第一个GPU         tf.config.experimental.set_memory_growth(gpus[0], True)     except RuntimeError as e:         print(e) else:     print("未检测到GPU设备")

这段代码会检查系统中的GPU设备，并尝试将程序设置为优先使用第一个GPU，如果成功，你将在代码单元格的输出中看到相应的信息。

使用nvidiasmi命令

你还可以通过运行nvidiasmi命令来查看GPU的使用情况，在Jupyter Notebook的一个代码单元格中输入以下代码并运行：

 !nvidiasmi

这将在代码单元格的输出中显示详细的GPU使用情况，包括显存使用情况、温度、功耗等信息。

相关问答FAQs

Q1: 如果无法查看GPU使用情况，可能是什么原因？

A1: 可能的原因包括：没有正确安装CUDA和cuDNN库；没有安装支持GPU的Python发行版或使用Docker容器；没有启用GPU Monitor扩展；或者系统中没有可用的GPU设备，请检查这些方面以确保正确配置。

Q2: 如何关闭GPU Monitor扩展？

A2: 你可以通过运行以下命令来关闭GPU Monitor扩展：

 !jupyter nbextensions_configurator disable user

然后重启Jupyter Notebook，GPU Monitor选项卡将不再显示。

在Jupyter Notebook中查看GPU使用情况可以通过多种方法实现，包括使用GPU Monitor扩展、编写代码和使用nvidiasmi命令，这些方法可以帮助你更好地监控和管理GPU资源，从而优化深度学习和数据科学的工作流程。

在Jupyter Notebook中查看GPU使用情况，通常可以通过安装特定的库来实现，比如nvidiasmi工具的Python封装库py3nvml，或者是使用torch.cuda（如果你在使用PyTorch）来获取GPU的状态信息。

下面是一个简单的示例，说明如何在Jupyter Notebook中创建一个介绍来显示GPU使用情况：

确保你已经安装了必要的库：

 pip install py3nvml

然后在你的Notebook中执行以下代码：

 import pandas as pd from py3nvml.py3nvml import nvmlInit, nvmlDeviceGetHandleByIndex, nvmlDeviceGetName, nvmlDeviceGetMemoryInfo 初始化NVML nvmlInit() 获取GPU数量 device_count = nvmlDeviceGetHandleByIndex(0) device_count = nvmlDeviceGetCount() 存储GPU信息 gpu_info = [] 循环遍历每个GPU for i in range(device_count):     handle = nvmlDeviceGetHandleByIndex(i)     name = nvmlDeviceGetName(handle)     memory_info = nvmlDeviceGetMemoryInfo(handle)          # 获取GPU内存使用情况     total_memory = memory_info.total / 1e9  # 转换为GB     used_memory = memory_info.used / 1e9    # 转换为GB     free_memory = memory_info.free / 1e9    # 转换为GB          gpu_info.append({         'GPU Index': i,         'Name': name.decode("utf8"),         'Total Memory (GB)': round(total_memory, 2),         'Used Memory (GB)': round(used_memory, 2),         'Free Memory (GB)': round(free_memory, 2),     }) 使用pandas创建介绍 df = pd.DataFrame(gpu_info).set_index('GPU Index') df

执行这段代码后，你将得到一个pandas DataFrame对象，显示每个GPU的总内存、已使用内存和空闲内存。

如果你在使用PyTorch，可以使用以下代码来检查GPU状态：

 import torch import pandas as pd 检查CUDA是否可用 if torch.cuda.is_available():     # 获取GPU数量     device_count = torch.cuda.device_count()     # 存储GPU信息     gpu_info = []     for i in range(device_count):         # 获取每个GPU的属性         total_memory = torch.cuda.get_device_properties(i).total_memory / 1e9  # 转换为GB         used_memory = torch.cuda.memory_allocated(i) / 1e9                    # 转换为GB         free_memory = (total_memory used_memory)                              # 计算空闲内存         gpu_info.append({             'GPU Index': i,             'Name': torch.cuda.get_device_name(i),             'Total Memory (GB)': round(total_memory, 2),             'Used Memory (GB)': round(used_memory, 2),             'Free Memory (GB)': round(free_memory, 2),         })     # 创建DataFrame     df = pd.DataFrame(gpu_info).set_index('GPU Index')     df else:     print("CUDA is not available.")

记得这些代码需要在支持CUDA的机器上运行，并且你已经安装了PyTorch和相应的CUDA版本，执行这些代码后，你将能够在Jupyter Notebook中以介绍的形式查看当前GPU的使用情况。