为何Autogluon在Colab的T4 GPU环境下未使用GPU资源？

在Colab的T4 GPU（CUDA版本11.8）环境中运行Autogluon，已按文档要求执行以下安装命令：

pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 --index-url https://download.pytorch.org/whl/cu118
pip install autogluon

运行代码如下：

import pandas as pd
df = pd.read_csv("/content/autogluon train.csv")
predictor = TabularPredictor(label='Expense').fit(df, presets='best_quality', verbosity=4, time_limit=70000, num_gpus=1)

Autogluon输出日志显示已分配GPU资源，但通过nvidia-smi查看时，无进程使用GPU：

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

请问为何Autogluon未实际调用GPU？

• GPU兼容模型未被选中：best_quality预设不一定优先启用GPU加速模型，像传统树模型、线性模型这类本身不支持GPU的模型，即使指定num_gpus=1也不会调用GPU。可以通过verbosity=4的日志查看实际训练的模型列表，确认是否有XGBoost GPU版、LightGBM GPU版、PyTorch相关模型等GPU兼容模型被启动。
• GPU计算未进入执行阶段：Autogluon在初始化阶段可能仅标记了GPU资源，但还没真正开始GPU计算。可以等待一段时间后重新执行nvidia-smi，或者查看日志中是否出现"Using GPU"这类具体的GPU执行信息。
• Torch CUDA可用性异常：虽然安装了CUDA版本的Torch，但可能存在环境变量配置问题，导致Autogluon无法检测到可用GPU。可以在代码开头添加验证代码：

  import torch
  print(torch.cuda.is_available())
  print(torch.cuda.device_count())
  

  如果输出为False，说明Torch未正确关联CUDA，需要重新安装或检查Colab是否已启用GPU运行时。
• 数据规模过小：当训练数据量较小时，GPU调度的开销可能超过计算收益，Autogluon会自动跳过GPU加速。可以尝试使用更大规模的数据集测试，或者手动指定强制使用GPU的模型。
• 版本兼容问题：部分旧版本Autogluon对特定Torch+CUDA组合的支持不佳。可以尝试升级到最新稳定版：

  pip install --upgrade autogluon
  

内容的提问来源于stack exchange，提问作者user19213041