这篇教程pytorch中.to(device) 和.cuda()的区别说明写得很实用，希望能帮到您。
原理.to(device) 可以指定CPU 或者GPUdevice = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 单GPU或者CPUmodel.to(device)#如果是多GPUif torch.cuda.device_count() > 1: model = nn.DataParallel(model，device_ids=[0,1,2])model.to(device).cuda() 只能指定GPU#指定某个GPUos.environ['CUDA_VISIBLE_DEVICE']='1'model.cuda()#如果是多GPUos.environment['CUDA_VISIBLE_DEVICES'] = '0,1,2,3'device_ids = [0,1,2,3]net = torch.nn.Dataparallel(net, device_ids =device_ids)net = torch.nn.Dataparallel(net) # 默认使用所有的device_ids net = net.cuda() class DataParallel(Module): def __init__(self, module, device_ids=None, output_device=None, dim=0): super(DataParallel, self).__init__() if not torch.cuda.is_available(): self.module = module self.device_ids = [] return if device_ids is None: device_ids = list(range(torch.cuda.device_count())) if output_device is None: output_device = device_ids[0] 补充：Pytorch使用To方法编写代码在不同设备(CUDA/CPU)上兼容(device-agnostic) 以前版本的PyTorch编写device-agnostic代码非常困难（即，在不修改代码的情况下在CUDA可以使用或者只能使用CPU的设备上运行）。 device-agnostic的概念即设备无关，可以理解为无论什么设备都可以运行您编写的代码。(PS:个人理解，我没有在网上找到专业解释) PyTorch 0.4.0使代码兼容PyTorch 0.4.0通过两种方法使代码兼容变得非常容易： 张量的device属性为所有张量提供了torch.device设备。（注意：get_device仅适用于CUDA张量） to方法Tensors和Modules可用于容易地将对象移动到不同的设备（代替以前的cpu()或cuda()方法） 我们推荐以下模式： # 开始脚本，创建一个张量device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")...# 但是无论你获得一个新的Tensor或者Module# 如果他们已经在目标设备上则不会执行复制操作input = data.to(device)model = MyModule(...).to(device)以上为个人经验，希望能给大家一个参考，也希望大家多多支持51zixue.net。
python 装饰器的使用与要点
Django 模板中常用的过滤器实现 |
