要在Jupyter Notebook中使用GPU进行计算，请按照以下步骤操作：

1. 检查GPU可用性

   在终端/Anaconda Prompt中运行以下命令以确认是否有可用的GPU：

   nvidia-smi
   

2. 安装所需的库

   首先，在终端/Anaconda Prompt中，依次安装PyTorch及其相关的CPU和GPU支持包：

   pip install torch torchvision torchaudio
   # 如果需要多线程支持：
   export OMP_NUM_THREADS=4
   # 扩展CuDNN库的搜索路径（可选）：
   LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.0/lib64
   

3. 设置环境变量

   在终端/Anaconda Prompt中，修改或新增.bashrc文件中的内容以配置以下环境变量（在每个新行后按Enter）：

   LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-12.0/lib64
   PATH=/usr/local/cuda-12.0/bin:$PATH
   

   重新运行所有上述步骤可能需要多次登录别机或系统重启。

4. 配置PyTorch使用GPU

   在Jupyter Notebook中添加以下代码来配置 PyTorch 使用可用的 GPU：

   python">import torch
   
   if torch.cuda.is_available():
       print('Current device:', torch.cuda.current_device())
       print('Device name:', torch.cuda.get_device_name(0))
       # 设置多个可用GPU时，将索引从0开始设置
   else:
       print('Using CPU!')
   
   # 如果需要指定显卡：
   torch.cuda.set_device(0)  # 替换为要使用的GPU索引
   

5. 运行计算在GPU上

   示例代码中创建两个张量 a 和 b 并执行GPU上的矩阵乘法：

   python">a = torch.randn(2, 3).cuda()  # 将张量移动到GPU上
   b = torch.randn(3, 4).cuda()
   c = torch.mm(a, b)            # 使用PyTorch内置的矩阵乘法
   d = a @ b                      # 添加Python 3.5+支持的短阵乘法
   

6. 保存和重新载入修改

   • 保存修改后的 Jupyter Notebook文件。
   • 关闭前一个会话后，打开新会话并重新加载文件，否则新的代码更改可能不会生效。

7. 验证计算是否在GPU上运行

   运行以下命令查看 c 和 d 的设备：

   python">print(f'张量 c位于{c.device}上')
   print(f'张量 d位于{d.device}上')
   

   检查是否有错误，比如 GPU可用性返回False或输出显示"cuda:0"。

8. 处理常见问题

   • 安装问题：确保 PyTorch 和_cuda版本与您的NVIDIA显卡匹配，并查阅[Pip Install guide](https://pytorch.org/docs/stable/get started.html# Install).
   • 不支持的错误信息：如遇到无法导入模块，请检查PyTorch是否正确安装、路径是否设置正确或环境变量是否被正确识别。
   • 无法使用GPU：确认命令是否执行后才指定 GPU（即修改代码后重新运行会话）。

9. 扩展功能

   如果需要，可以启用以下PyTorch选项以进一步优化 GPU 性能：

   python"># 多GPU计算示例：
   if torch.cuda.device_count() > 1:
       print("Let's use multiple GPUs!")
     
   # 使用混合精度训练：
   scaler = torch.cuda.amp.GradScaler()
     
   # 启用自动混合精度（AMP）和执行优化选项：
   with torch.amp.autocast():
       outputs = model(inputs)
   
   optimizer.zero_grad()
   loss.backward()
   optimizer.step()
   

通过遵循这些步骤，您可以在 Jupyter Notebook 中有效地利用 GPU 进行计算。确保在每次运行时重新加载会话以应用新设置的参数。如果有问题出现，请检查所有环境变量和安装指令是否正确配置。