如下所示：
|
1
2
|
model.to(device)
|
这两行代码放在读取数据之前。
|
1
|
mytensor = my_tensor.to(device)
|
这行代码的意思是将所有最开始读取数据时的tensor变量copy一份到device所指定的GPU上去，之后的运算都在GPU上进行。
这句话需要写的次数等于需要保存GPU上的tensor变量的个数；一般情况下这些tensor变量都是最开始读数据时的tensor变量，后面衍生的变量自然也都在GPU上
如果是多个GPU
在代码中的使用方法为：
|
1
2
3
4
5
6
7
8
9
10
11
|
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总结
（1）Tensor 和 Numpy都是矩阵，区别是前者可以在GPU上运行，后者只能在CPU上；
（2）Tensor和Numpy互相转化很方便，类型也比较兼容
（3）Tensor可以直接通过print显示数据类型，而Numpy不可以
把Tensor放到GPU上运行
|
1
2
3
|
if torch.cuda.is_available():
h = g.cuda()
print(h)
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
torch.nn.functional
Convolution函数
torch.nn.functional.vonv1d(input,weight,bias=None,stride=1,padding=0,dilation=1,groups=1)
torch.nn.functional.conv2d(input,weight,bias=None,stride=1,padding=0,dilation=1,group=1)
parameter:
input --输入张量（minibatch * in_channels * iH * iW）-weights-– 过滤器张量 (out_channels, in_channels/groups, kH, kW) - bias – 可选偏置张量 (out_channels) - stride – 卷积核的步长，可以是单个数字或一个元组 (sh x sw)。默认为1 - padding – 输入上隐含零填充。可以是单个数字或元组。 默认值：0 - groups – 将输入分成组，in_channels应该被组数除尽
>>> # With square kernels and equal stride
>>> filters = autograd.Variable(torch.randn(8,4,3,3))
>>> inputs = autograd.Variable(torch.randn(1,4,5,5))
>>> F.conv2d(inputs, filters, padding=1)
|
Pytorch中使用指定的GPU
（1）直接终端中设定
|
1
|
CUDA_VISIBLE_DEVICES=1
|
（2）python代码中设定：
|
1
2
3
|
import os
os.environ['CUDA_VISIBLE_DEVICE']='1'
|
（3）使用函数set_device
|
1
2
3
4
5
|
import torch
torch.cuda.set_device(id)
Pytoch中的in-place
|
in-place operation 在 pytorch中是指改变一个tensor的值的时候，不经过复制操作，而是在运来的内存上改变它的值。可以把它称为原地操作符。
在pytorch中经常加后缀 “_” 来代表原地in-place operation, 比如 .add_() 或者.scatter()
python 中里面的 += *= 也是in-place operation。
下面是正常的加操作,执行结束加操作之后x的值没有发生变化：
|
1
2
3
4
5
6
|
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，执行之后改变了原来变量的值：
|
1
2
3
4
5
6
|
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])
|
以上这篇Pytorch to(device)用法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/shaopeng568/article/details/95205345