在深度学习框架中，通常使用 --cuda_device 或类似的参数来指定模型训练使用的计算设备，其中 0 表示使用第一个 GPU 设备。这是因为计算设备在深度学习中可以是 GPU，而通常 GPU 的编号从 0 开始。

在 PyTorch 中，如果设置 --cuda_device 0，则表示将模型放置在第一个 GPU 上进行训练。如果没有设置 --cuda_device 或将其设置为空字符串 ''，PyTorch 将使用默认设备，通常是 CPU。

如果您想使用 CPU 进行训练，可以将 --cuda_device 参数的值设置为空字符串 ''，如下所示：

python train.py --cuda_device '' --other_arguments

这样，PyTorch 将使用 CPU 进行训练。选择使用哪个设备通常取决于您系统上的硬件配置和训练任务的要求。

# 学习
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局