试了很多方法，什么减小batch size，什么模型与pytorch不匹配，还有损失函数和梯度存储的方法，都没解决。
可能一些人的情况和我一样：就是和别人共用一台实验室服务器，别人的实验太吃显存了，这时候可以在服务器的linux命令行输入：
watch -n 10 nvidia-smi 查看显存使用情况
红色框框是显存使用情况，可以看出我用的服务器没啥显存了，是没有办法把模型放到gpu上面的。
当然假如你的服务器有多个gpu，那可以用：device = torch.device(“cuda:0” if torch.cuda.is_available() else “cpu”)来改变你的gpu，我这里只有一个，所以是0，你有多个的话，哪个显存剩的多用哪个(0到n)。
但是如果和我一样只有一个gpu，那可能需要和你的同学商量一下，让你跑会儿实验了。
