torch.backends¶

torch.backends 控制 PyTorch 支持的各种后端的行为。

这些后端包括：

torch.backends.cuda¶

torch.backends.cuda.is_built()[来源]¶: 返回 PyTorch 是否使用 CUDA 支持构建。请注意，此并不一定意味着 CUDA 可用;只是如果这个 PyTorch binary 运行一台具有正常工作 CUDA 驱动程序和设备的机器，我们将能够使用它。

torch.backends.cuda.matmul.allow_tf32¶: 控制是否可以在矩阵中使用 TensorFloat-32 张量核心的 A Ampere 或更高版本的 GPU 上的乘法。请参阅 Ampere 设备上的 TensorFloat-32（TF32）。

torch.backends.cuda.matmul.allow_fp16_reduced_precision_reduction¶: A 控制 fp16 GEMM 是否允许降低精度降低（例如，使用 fp16 累积类型）。

torch.backends.cuda.cufft_plan_cache¶

cufft_plan_cache缓存 cuFFT 计划

torch.backends.cuda.preferred_linalg_library(backend=None）[来源]¶

警告

此标志是实验性的，可能会发生变化。

当 PyTorch 运行 CUDA 线性代数运算时，它通常使用 cuSOLVER 或 MAGMA 库，如果两者都可用，它会决定将哪个与 heuristic 一起使用。此标志（a ）允许覆盖这些启发式方法。

注意：当首选库时，如果首选库是首选库，则仍可使用其他库不实现调用的操作。如果 PyTorch 的启发式库选择不正确，此标志可能会获得更好的性能以获取应用程序的输入。

当前支持的 linalg 运算符：

torch.backends.cudnn.allow_tf32¶: A 控制 TensorFloat-32 张量核在 cuDNN 中的使用位置 Ampere 或更高版本 GPU 上的卷积。请参阅 Ampere 设备上的 TensorFloat-32（TF32）。

torch.backends.cudnn.deterministic¶: A 如果为 True，则会导致 cuDNN 仅使用确定性卷积算法。另请参阅和。

torch.backends.cudnn.benchmark¶: A 如果为 True，则会导致 cuDNN 对多个卷积算法进行基准测试并选择最快的。

torch.backends.mps.is_built()[来源]¶: 返回 PyTorch 是否使用 MPS 支持构建。请注意，此并不一定意味着 MPS 可用;只是如果这个 PyTorch binary 运行一台带有工作 MPS 驱动程序和设备的机器，我们将能够使用它。