禁用CUDA后PyTorch仍调用GPU 如何强制其仅使用CPU运行

首先澄清一个认知偏差：你测试代码里a.add_(1)后变量b同步更新的现象和CUDA无关，这是PyTorch张量浅拷贝+原地操作的正常表现，纯CPU环境下运行也会出现完全相同的结果。
你之前执行set CUDA_VISIBLE_DEVICES ''后仍检测到CUDA可用，核心原因是Windows Cmd下将环境变量设为空字符串不会屏蔽CUDA设备，且环境变量配置必须在导入torch前完成才会生效。

以下是经过验证的可行方案：

1. 代码层面全局禁用（最稳定，不受运行环境影响） #

在文件最开头导入torch后，立刻执行以下配置，强制屏蔽CUDA检测：

import torch
torch.cuda.is_available = lambda: False
cpu_device = torch.device("cpu")

后续所有创建张量、加载模型的操作，都显式指定device=cpu_device即可完全在CPU上运行。

2. 正确配置环境变量（启动Python前设置） #

注意不同终端的配置语法存在差异，必须在启动Python进程、导入torch之前执行对应命令：

• Windows Cmd终端：

  set CUDA_VISIBLE_DEVICES=-1
  

• Windows PowerShell终端：

  $env:CUDA_VISIBLE_DEVICES="-1"
  

• Linux/macOS终端：

  export CUDA_VISIBLE_DEVICES=-1
  

配置完成后启动Python，执行torch.cuda.is_available()会返回False，此时PyTorch不会调用GPU资源。

3. 设置全局默认张量类型 #

如果不想在每处代码都手动指定设备，可以在导入torch后设置全局默认浮点张量为CPU类型：

import torch
torch.set_default_tensor_type(torch.FloatTensor)

*注意：该配置仅对浮点类型张量生效，其他数据类型的张量建议配合显式指定device的方式使用。

关于你测试代码里的同步更新问题补充说明：

写b = a时并没有复制张量，只是给同一个内存中的张量对象加了一个新的变量引用。所有带_后缀的PyTorch方法都是原地操作，会直接修改张量本身的内存值，因此所有指向该张量的变量都会同步变化。如果需要得到独立不联动的新张量，要写成b = a.clone()。

内容的提问来源于stack exchange，提问作者Salih