fn_registry/python/functions/ml/torch_device_select.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
torch_device_select	function	py	ml	1.0.0	impure	def torch_device_select(preference: str = 'auto') -> str	Selecciona el torch device optimo segun preferencia y disponibilidad real del hardware. 'auto' elige CUDA > MPS > CPU. Para preferencias explicitas valida disponibilidad y hace fallback a CPU con warnings.warn.	torch pytorch cuda mps device hardware probe ml apple-silicon	cuda_available_py_ml			false	error_go_core		name desc preference 'auto' detecta el mejor device disponible (CUDA > MPS > CPU). 'cuda' fuerza cuda:0. 'cuda:N' fuerza GPU N. 'mps' fuerza Apple Silicon. 'cpu' siempre retorna cpu.	string de device listo para torch: 'cuda:0', 'cuda:N', 'mps' o 'cpu'. Nunca lanza excepcion — fallback a 'cpu' con warning si el device solicitado no esta disponible.	true	preference=cpu siempre retorna cpu preference=auto sin cuda ni mps retorna cpu preference=cuda sin cuda disponible retorna cpu con warning preference=cuda:5 con solo 1 GPU retorna cpu con warning preference desconocida retorna cpu con warning	python/functions/ml/tests/test_torch_device_select.py	python/functions/ml/torch_device_select.py

Ejemplo

from ml.torch_device_select import torch_device_select

# Deteccion automatica (recomendado)
device = torch_device_select()         # "cuda:0" o "mps" o "cpu"

# Forzar CPU para reproducibilidad
device = torch_device_select("cpu")    # siempre "cpu"

# Preferencia explicita con fallback automatico
device = torch_device_select("cuda")   # "cuda:0" o "cpu" + warning

# Uso tipico al cargar un modelo
import torch
device_str = torch_device_select("auto")
model = MyModel().to(torch.device(device_str))

Comparacion con gliner_load_model

gliner_load_model usa internamente _resolve_device con la misma logica CUDA/CPU. torch_device_select extiende ese patron con:

• Soporte MPS (Apple Silicon M1/M2/M3).
• Seleccion de GPU especifica (cuda:N).
• Fallback con warnings.warn en vez de silencio.

Notas

• No levanta excepcion si torch no esta instalado: todos los helpers internos capturan ImportError y tratan el device como no disponible.
• warnings.warn en vez de logging para no imponer dependencia de logging al caller.
• MPS requiere torch >= 1.12 y macOS 12.3+. En sistemas Linux/Windows torch.backends.mps puede no existir — el helper lo maneja con hasattr.
• impure: depende del estado del hardware y de las librerias instaladas.