如下所示：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)

這兩行程式碼放在讀取資料之前。

mytensor = my_tensor.to(device)

這行程式碼的意思是將所有最開始讀取資料時的tensor變數copy一份到device所指定的GPU上去，之後的運算都在GPU上進行。

這句話需要寫的次數等於需要儲存GPU上的tensor變數的個數；一般情況下這些tensor變數都是最開始讀資料時的tensor變數，後面衍生的變數自然也都在GPU上

如果是多個GPU

在程式碼中的使用方法為：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

model = Model()

if torch.cuda.device_count() > 1:

 model = nn.DataParallel(model，device_ids=[0,1,2])

 

model.to(device)

Tensor總結

（1）Tensor 和 Numpy都是矩陣，區別是前者可以在GPU上執行，後者只能在CPU上；

（2）Tensor和Numpy互相轉化很方便，型別也比較相容

（3）Tensor可以直接通過print顯示資料型別，而Numpy不可以

把Tensor放到GPU上執行

if torch.cuda.is_available():
 h = g.cuda()
 print(h)

torch.nn.functional
Convolution函式
torch.nn.functional.vonv1d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
 
 
 
torch.nn.functional.conv2d(input,group=1)
 
parameter:
 input --輸入張量（minibatch * in_channels * iH * iW）-weights-– 過濾器張量 (out_channels,in_channels/groups,kH,kW) - bias – 可選偏置張量 (out_channels) - stride – 卷積核的步長，可以是單個數字或一個元組 (sh x sw)。預設為1 - padding – 輸入上隱含零填充。可以是單個數字或元組。 預設值：0 - groups – 將輸入分成組，in_channels應該被組數除盡
 
 
>>> # With square kernels and equal stride
>>> filters = autograd.Variable(torch.randn(8,4,3,3))
>>> inputs = autograd.Variable(torch.randn(1,5,5))
>>> F.conv2d(inputs,filters,padding=1)

Pytorch中使用指定的GPU

（1）直接終端中設定

CUDA_VISIBLE_DEVICES=1

（2）python程式碼中設定：

import os

os.environ['CUDA_VISIBLE_DEVICE']='1'

（3）使用函式set_device

import torch

torch.cuda.set_device(id)

Pytoch中的in-place

in-place operation 在 pytorch中是指改變一個tensor的值的時候，不經過複製操作，而是在運來的記憶體上改變它的值。可以把它稱為原地操作符。

在pytorch中經常加字尾 “_” 來代表原地in-place operation,比如 .add_() 或者.scatter()

python 中裡面的 += *= 也是in-place operation。

下面是正常的加操作,執行結束加操作之後x的值沒有發生變化：

import torch
x=torch.rand(2) #tensor([0.8284,0.5539])
print(x)
y=torch.rand(2)
print(x+y)  #tensor([1.0250,0.7891])
print(x)  #tensor([0.8284,0.5539])

下面是原地操作，執行之後改變了原來變數的值：

import torch
x=torch.rand(2) #tensor([0.8284,0.5539])
print(x)
y=torch.rand(2)
x.add_(y)
print(x)  #tensor([1.1610,1.3789])

以上這篇Pytorch to(device)用法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。