溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
如下所示：
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)
這兩行代碼放在讀取數據之前。
mytensor = my_tensor.to(device)
這行代碼的意思是將所有最開始讀取數據時的tensor變量copy一份到device所指定的GPU上去，之后的運算都在GPU上進行。
這句話需要寫的次數等于需要保存GPU上的tensor變量的個數；一般情況下這些tensor變量都是最開始讀數據時的tensor變量，后面衍生的變量自然也都在GPU上
如果是多個GPU
在代碼中的使用方法為：
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上運行，后者只能在CPU上；
（2）Tensor和Numpy互相轉化很方便，類型也比較兼容
（3）Tensor可以直接通過print顯示數據類型，而Numpy不可以
把Tensor放到GPU上運行
if torch.cuda.is_available(): h = g.cuda() print(h)
torch.nn.functional Convolution函數 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 --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)。默認為1 - padding – 輸入上隱含零填充。可以是單個數字或元組。 默認值：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(1,4,5,5)) >>> 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代碼中設定：
import os os.environ['CUDA_VISIBLE_DEVICE']='1'
（3）使用函數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，不經過復制操作，而是在運來的內存上改變它的值。可以把它稱為原地操作符。
在pytorch中經常加后綴 “_” 來代表原地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,執行結束加操作之后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，執行之后改變了原來變量的值：
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，也希望大家多多支持億速云。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
