pytorch数据选择CPU或者GPU

pytorch中.to(device) 和.cuda()的区别说明

原理

.to(device) 可以指定CPU 或者GPU

1 2 3 4 5 6

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 单GPU或者CPU model.to(device) #如果是多GPU if torch.cuda.device_count() > 1:   model = nn.DataParallel(model，device_ids=[0,1,2]) model.to(device)

.cuda() 只能指定GPU

1 2 3 4 5 6 7 8 9

#指定某个GPU os.environ['CUDA_VISIBLE_DEVICE']='1' model.cuda() #如果是多GPU os.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() 采用.cuda的形式那么我们必须事先通过系统内部函数os.environment['CUDA_VISIBLE_DEVICES'] 获取到系统的GPU

1 2 3 4 5 6 7 8 9 10 11 12 13

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）。

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：

1 2 3 4 5 6 7

# 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)