Python GPU加速深度学习需打通CUDA→cuDNN→框架→TensorRT链路，关键在版本对齐、算子编译、内存布局与图优化；先用nvidia-smi和nvcc -V确认环境，再验证torch.cuda.is_available()或tf.config.list_physical_devices('GPU')。
Python 中用 GPU 加速深度学习，核心是打通 CUDA → cuDNN → 框架（PyTorch/TensorFlow）→ TensorRT 推理优化 这条链路。光装驱动或只跑个 .py 脚本不等于真正加速——关键在版本对齐、算子编译、内存布局和推理阶段的图优化。
确认 GPU 与 CUDA 环境是否真正就绪
很多“GPU 不加速”问题其实卡在底层环境没通。先运行：
nvidia-smi # 看驱动版本和 GPU 状态
nvcc -V # 看 CUDA 编译器版本（不是驱动版本！）
然后在 Python 里验证 PyTorch 或 TensorFlow 是否识别到 GPU：
- PyTorch：
torch.cuda.is_available()返回 True，且torch.cuda.device_count()> 0 - TensorFlow：
tf.config.list_physical_devices('GPU')应返回非空列表
⚠️ 注意：CUDA Toolkit 版本必须与你安装的 PyTorch/TensorFlow 预编译包要求严格匹配。比如 PyTorch 2.1 官方 wheel 通常只支持 CUDA 11.8 或 12.1 —— 装错版本会导致 cuda runtime error 或静默退化到 CPU。
立即学习“Python免费学习笔记（深入）”；
训练阶段提速：不只是 batch_size 加大
训练快 ≠ 光靠调大 batch_size。真正起效的是以下组合：
-
混合精度训练（AMP）：用
torch.cuda.amp自动管理 float16/float32 切换，显存减半、速度提升 1.5–3 倍，对大部分模型无损精度 -
梯度检查点（Gradient Checkpointing）：用
torch.utils.checkpoint换取显存，适合大模型微调 -
数据加载优化：
DataLoader(num_workers>0, pin_memory=True, persistent_workers=True)减少 CPU→GPU 数据搬运瓶颈 -
避免 CPU-GPU 频繁同步：删掉训练循环里的
.item()、.numpy()、print(loss)—— 改用torch.no_grad()下统计或日志异步上报
导出模型为 ONNX：跨框架部署的第一步
TensorRT 不直接读 PyTorch 或 TF 模型，需先转 ONNX。关键点：
- 导出前确保模型处于
eval()模式，并关闭 dropout/batchnorm 更新 - 输入 tensor 必须是固定 shape（如
torch.randn(1,3,224,224)），动态轴要显式标注：dynamic_axes={'input': {0: 'batch'}, 'output': {0: 'batch'}} - 用
opset_version=17（PyTorch 2.0+ 推荐），避免旧 opset 在 TensorRT 中不支持 - 导出后用
onnx.checker.check_model()和onnxsim.simplify()简化图结构，减少冗余节点
TensorRT 加速推理：不止是“load + run”
TensorRT 的性能优势来自编译时优化，不是简单加载模型。典型流程：
- 用
trt.Builder创建 builder，设置max_workspace_size（建议 ≥ 1GB）和fp16_mode=True（开启半精度） - 解析 ONNX 模型时启用
strict_type_constraints=True避免类型推断错误 - 构建 engine 后序列化保存（
engine.serialize()），下次直接反序列化加载，跳过耗时编译 - 推理时使用
context.execute_v2(bindings)，bindings 是 GPU 内存地址数组，务必提前cuda.mem_alloc()分配并绑定
常见提速点：对重复调用的小 batch（如 B=1），开启 BuilderConfig.set_flag(trt.BuilderFlag.FP16) 和 BuilderFlag.OBEY_PRECISION_CONSTRAINTS；对大 batch，可尝试 INT8 量化（需校准数据集）。
不复杂但容易忽略：每个环节的版本兼容表得查官方文档，比如 TensorRT 8.6 支持最高 CUDA 11.8，而 CUDA 12.x 需用 TensorRT 8.7+。跑通比写模型更花时间，但一旦串起来，端到端推理延迟能压到毫秒级。
