torch.cuda.is_available() #检查Pytorch GPU 是否可用
torch.cuda.device_count() #返回gpu的数量
torch.cuda.current_device() #返回当前使用的GPU 的索引
torch.cuda.get_device_name() #返回GPU的名字，从索引0开始
torch.cuda.is_initialized（）返回PyTorch的CUDA状态是否已初始化
torch.cuda.empty_cache()
释放未占用的缓存内存，以便这些内存可在其他GPU应用程序中使用并在nvidia-smi中可见。empty_cache()不会增加可用于PyTorch的GPU内存量。但是，有助于减少GPU内存的碎片。GPU内存查看
torch.cuda.memory_allocated()
将返回当前Tensor占用的GPU内存（以字节为单位)，
print(int(torch.cuda.memory_allocated()/1024/1024))torch.cuda.max_memory_allocated()
将返回自此程序开始以来的Tensor的峰值分配内存torch.cuda.reset_peak_memory_stats()
重置用于跟踪给定设备的Tensor占用的最大GPU内存的起点。which resets /all/ peak memory stats（以前版本torch.cuda.reset_max_memory_allocated()）
这两个功能可以测量训练循环中每个迭代的峰值分配内存使用量torch.cuda.reset_max_memory_allocated()
torch.cuda.max_memory_allocated()
重置跟踪此指标的起点。这两个功能可以测量训练循环中每个迭代的峰值分配内存使用量。torch.cuda.memory_reserved返回给定设备由缓存分配器管理的当前GPU内存（以字节为单位）
torch.cuda.max_memory_reserved返回给定设备由缓存分配器管理的最大GPU内存