在运行代码之前，运行以下shell命令以告知torch没有GPU：

export CUDA_VISIBLE_DEVICES=""

这将告诉它只使用一个GPU（id为0的GPU），依此类推：

export CUDA_VISIBLE_DEVICES="0"

我只想补充一点，在PyTorch代码中也可以这样做：
下面是一个取自PyTorch 0.4.0迁移指南的小示例：

# at beginning of the script
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

...

# then whenever you get a new Tensor or Module
# this won't copy if they are already on the desired device
input = data.to(device)
model = MyModule(...).to(device)

• 我认为这个例子很好解释，但如果有任何问题，请直接提出！

一个很大的优势是，当使用这种语法时，如上面的示例，您可以创建在CPU上运行的代码，如果没有GPU可用，也可以在GPU上运行，而无需更改任何行。*
除了使用torch.cuda.is_available()的 if-statement，您还可以将设备设置为 CPU，如下所示：

device = torch.device("cpu")

此外，您可以使用device标志在所需的 * 设备 * 上创建Tensor：

mytensor = torch.rand(5, 5, device=device)

这将直接在之前指定的device上创建Tensor。
我想指出的是，您可以使用此语法在 CPU 和 GPU 之间切换，也可以在不同的 * GPU * 之间切换。
我希望这是有帮助的！

使用Python最简单的方法是：

os.environ["CUDA_VISIBLE_DEVICES"]=""

强制使用CPU的方法有多种：
1.设置默认Tensor类型：

torch.set_default_tensor_type(torch.FloatTensor)

1.在创建Tensor时设置设备和一致的参考：
(with您可以轻松地在GPU和CPU之间切换）

device = 'cpu'
# ...
x = torch.rand(2, 10, device=device)

1.从视图中隐藏GPU：

import os

os.environ["CUDA_VISIBLE_DEVICES"]=""

常规

正如前面的答案所示，您可以使用以下方法使pytorch在CPU上运行：

device = torch.device("cpu")

比较训练模型

我想补充一下如何在cpu上加载一个之前训练过的模型（例子取自pytorch文档）。

• 注意：确保输入模型的所有数据也在CPU上。*

建议装载

model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=torch.device("cpu")))

加载整个模型

model = torch.load(PATH, map_location=torch.device("cpu"))

这是一个真实的的示例：使用GPU的原始功能与使用CPU的新功能。
来源：https://github.com/zllrunning/face-parsing.PyTorch/blob/master/test.py
在我的例子中，我编辑了以下4行代码：
第一个