torch.cuda

该软件包增加了对 CUDA 张量类型的支待，这些张量类型实现了与 CPU 张量相同的功能，但它们利用 GPU 进行计算。

它是懒加载初始化的，所以你可以随时导入它，并使用 is_available() 来确定你的系统是否支持CUDA。

CUDA语义 有关于使用CUDA的更多详细信息。

StreamContext	上下文管理器，用于选择指定的流。
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 句柄的 cublasHandle_t 指针
current_device	返回当前所选设备的索引。
current_stream	返回给定设备当前选定的 Stream。
default_stream	返回给定设备的默认值 Stream .
device	上下文管理器，用于更改选定的设备。
device_count	返回可用的 GPU 数量。
device_of	上下文管理器，可将当前设备更改为给定对象的设备。
get_arch_list	返回此库编译所针对的 CUDA 架构列表。
get_device_capability	获取设备的 cuda 能力。
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 gencode 标志。
get_sync_debug_mode	返回当前用于 CUDA 同步操作的调试模式的值。
init	初始化 PyTorch 的 CUDA 状态。
ipc_collect	在 CUDA IPC 释放 GPU 内存后，强制收集该内存。
is_available	返回一个布尔值，表示当前是否可用 CUDA。
is_initialized	返回 PyTorch 的 CUDA 状态是否已初始化。
memory_usage	返回在过去采样期间内，全局（设备）内存被读取或写入的时间百分比。
set_device	设置当前设备。
set_stream	设置当前流。这是一个用于设置流的封装 API。
set_sync_debug_mode	设置 CUDA 同步操作的调试模式。
stream	围绕上下文管理器 StreamContext 创建的包装器，用于选择指定的流。
synchronize	等待 CUDA 设备上所有流中的所有内核完成。
utilization	返回在过去采样期间内，GPU 上有一个或多个内核正在执行的时间百分比，如 nvidia-smi 所示。
OutOfMemoryError	当 CUDA 内存不足时引发的异常

随机数生成器

get_rng_state	返回指定 GPU 的随机数生成器状态作为 ByteTensor。
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	为当前 GPU 设置生成随机数的种子。
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一个随机数。
seed_all	将所有 GPU 上生成随机数的种子设置为一个随机数。
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	将序列张量广播到指定的 GPU 上。
comm.reduce_add	将来自多个 GPU 的张量求和。
comm.scatter	在多个 GPU 上分配张量。
comm.gather	从多个GPU设备收集张量。

流和事件

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

图表（测试版）

is_current_stream_capturing	如果当前 CUDA 流正在进行 CUDA 图捕获，则返回 True，否则返回 False。
graph_pool_handle	返回一个不透明的标记，表示图内存池的 id。
CUDAGraph	CUDA 图形的包装器。
graph	上下文管理器，将CUDA工作捕获到一个torch.cuda.CUDAGraph对象中以便稍后重放。
make_graphed_callables	接受可调用对象（函数或 nn.Module）并返回绘图版本。

内存管理

empty_cache	释放缓存分配器当前持有的所有未被占用的缓存内存，以便这些内存可以被其他 GPU 应用程序使用，并在 nvidia-smi 中可见。
list_gpu_processes	返回给定设备上运行进程及其 GPU 内存使用情况的人类可读输出。
mem_get_info	使用 cudaMemGetInfo 返回给定设备的全局空闲和总 GPU 内存占用情况。
memory_stats	返回给定设备的 CUDA 内存分配器统计信息字典。
memory_summary	返回给定设备当前内存分配器统计信息的人类可读输出。
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当前占用的 GPU 内存字节数。
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	重置跟踪指定设备上张量占用最大 GPU 内存的起始点。
memory_reserved	返回给定设备上由缓存分配器管理的当前 GPU 内存量（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 内存量（以字节为单位）。
set_per_process_memory_fraction	为进程设置内存比例。
memory_cached	已弃用；参见 memory_reserved()。
max_memory_cached	已弃用；参见 max_memory_reserved()。
reset_max_memory_cached	重置跟踪指定设备上由缓存分配器管理的最大 GPU 内存的起始点。
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	释放使用 CUDA 内存分配器分配的内存。

NVIDIA 工具扩展 (NVTX)

nvtx.mark	描述某个时刻发生的一个瞬间事件。
nvtx.range_push	将一个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一个范围。

Jiterator （测试版）

jiterator._create_jit_fn	为元素级运算创建一个由 jiterator 生成的 CUDA 内核。
jiterator._create_multi_output_jit_fn	为元素级运算创建一个由 jiterator 生成的 CUDA 内核，支持返回一个或多个输出。

流净化器（原型）

CUDA 诊断工具是一个用于检测 PyTorch 中流之间同步错误的原型工具。 请参阅 文档 以获取如何使用它的信息。