在现今的计算机领域，越来越多的人开始利用GPU进行深度学习的工作。然而，很多人并不具备拥有高端显卡的经济条件，这时，外置显卡就成为了一个不错的选择。本文将介绍如何利用笔记本外置显卡，在使用PyTorch深度学习框架时提供更好的性能。

首先，我们需要一块支持外置显卡的PCIe接口扩展设备，比如常见的Thunderbolt 3扩展设备，例如Razer Core X。

然后，我们需要安装所需的显卡驱动程序，并将其设置为系统默认显卡。这样可以保证PyTorch能够识别外置显卡并在其中运行。

以下是一些基本代码片段，以确保PyTorch能够利用外置显卡：

import torch 

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

上述代码片段将检查CUDA是否可用并将设备设置为CUDA。

接下来，我们需要告诉PyTorch使用哪个GPU。此外，我们还需要将模型和输入数据放到GPU上。以下是一些示例代码：

import torch 

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 指定 GPU
if torch.cuda.device_count() > 0:
    device = torch.device("cuda:0")

# 移动模型和输入数据到 GPU 上
model.to(device)
inputs = inputs.to(device)

在以上示例中，当我们检测到有可用的GPU时，我们会将其指定为“cuda:0”。这里的数字0指的是我们希望使用第一块GPU。如果我们希望在多个GPU上运行模型，我们可以简单地更改这个数字即可。

最后，我们需要确保PyTorch能够在外置显卡上运行，可以通过以下命令来测试：

import torch 

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 指定 GPU
if torch.cuda.device_count() > 0:
    device = torch.device("cuda:0")

# 移动模型和输入数据到 GPU 上
model.to(device)
inputs = inputs.to