选GPU运行

一、选择计算设备

1、查询可用gpu的数量

torch.cuda.device_count()

2、将张量分配给设备，没有GPU也可以运行

def try_gpu(i=0):  #@save
    """如果存在，则返回gpu(i)，否则返回cpu()"""
    if torch.cuda.device_count() >= i + 1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')

def try_all_gpus():  #@save
    """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]"""
    devices = [torch.device(f'cuda:{i}')
             for i in range(torch.cuda.device_count())]
    return devices if devices else [torch.device('cpu')]

try_gpu(), try_gpu(10), try_all_gpus()

3、默认情况下，张量是在CPU上创建的

x = torch.tensor([1, 2, 3])
x.device->     device(type='cpu')

二、张量与GPU

1、数据在同一个GPU上，可以将它们相加，若不在同一设备上，cpu里面数据放到gpu上会很慢，所以运算要在同样的设备上进行。

2、Z = X.cuda(1)，也可以创建不同设备的数据（x在cuda1上，z在cuda2上）

三、神经网络与GPU

1、将模型参数放到GPU上net = net.to(device=try_gpu())