浅谈将Pytorch模型从CPU转换成GPU

最近将Pytorch程序迁移到GPU上去的一些工作和思考

环境：Ubuntu 16.04.3
Python版本：3.5.2
Pytorch版本：0.4.0

0. 序言

大家知道，在深度学习中使用GPU来对模型进行训练是可以通过并行化其计算来提高运行效率，这里就不多谈了。
最近申请到了实验室的服务器来跑程序，成功将我简陋的程序改成了“高大上”GPU版本。
看到网上总体来说少了很多介绍，这里决定将我的一些思考和工作记录下来。

1. 如何进行迁移

由于我使用的是Pytorch写的模型，网上给出了一个非常简单的转换方式: 对模型和相应的数据进行.cuda()处理。通过这种方式，我们就可以将内存中的数据复制到GPU的显存中去。从而可以通过GPU来进行运算了。

网上说的非常简单，但是实际使用过程中还是遇到了一些疑惑。下面分数据和模型两方面的迁移来进行说明介绍。

1.1 判定使用GPU

下载了对应的GPU版本的Pytorch之后，要确保GPU是可以进行使用的，通过torch.cuda.is_available()的返回值来进行判断。返回True则具有能够使用的GPU。
通过torch.cuda.device_count()可以获得能够使用的GPU数量。其他就不多赘述了。
常常通过如下判定来写可以跑在GPU和CPU上的通用模型：

if torch.cuda.is_available():
    ten1 = ten1.cuda()
    MyModel = MyModel.cuda() 

2. 对应数据的迁移

数据方面常用的主要是两种 —— Tensor和Variable。实际上这两种类型是同一个东西，因为Variable实际上只是一个容器，这里先视其不同。

2.1 将Tensor迁移到显存中去

不论是什么类型的Tensor（FloatTensor或者是LongTensor等等），一律直接使用方法.cuda()即可。
例如：

ten1 = torch.Float