要使用GPU运行Python代码，你可以遵循以下步骤：
检查GPU支持
使用`nvidia-smi`命令检查你的电脑是否有可用的GPU，以及GPU的使用情况。
安装必要的库
安装NVIDIA的CUDA库和PyCUDA库，这些库可以让你在Python中使用GPU。
另外，你还可以考虑使用像TensorFlow、PyTorch这样的第三方库，它们通常已经内置了对GPU的支持。
设置环境变量
使用`CUDA_VISIBLE_DEVICES`环境变量来指定哪些GPU可用于你的Python程序。
在代码中指定GPU
使用`torch.cuda.is_available（）`检查你的系统是否支持GPU。
使用`torch.device（"cuda:0"）`将模型和数据转移到GPU上。
将张量（tensor）变量更改为GPU适用的类型，例如`tensor.to（"cuda:0"）`。
运行代码
运行你的Python程序，并观察GPU的使用情况。
查看结果
如果需要，可以将结果从GPU转移到CPU，以便查看或进一步处理。
例如，使用PyTorch进行GPU加速的代码可能如下所示：
```python
import torch
检查是否有可用的GPU
if torch.cuda.is_available（）:
设置环境为GPU
device = torch.device（"cuda:0"）
准备数据
x = torch.rand（[100, 1]） 生成100个数据，每个数据都是一维数据
y = x * 3 + 0.8
将数据转移到GPU
x = x.to（device）
y = y.to（device）
执行计算
pred_y = x * 2 假设这是一个简单的计算操作
将结果从GPU转移到CPU
pred_y = pred_y.to（"cpu"）
输出结果
print（pred_y）
else:
print（"GPU is not available."）
请根据你的具体需求调整代码，并确保你的环境已经正确配置以利用GPU加速。