神经网络一般用GPU来跑，我们的神经网络框架一般也都安装的GPU版本，本文就简单记录一下GPU使用的编写。
GPU的设置不在model，而是在Train的初始化上。
第一步是查看是否可以使用GPU
self.GPU_IN_USE = torch.cuda.is_available()
就是返回这个可不可以用GPU的函数，当你的pytorch是cpu版本的时候，他就会返回False。
然后是：
self.device = torch.device('cuda' if self.GPU_IN_USE else 'cpu')
torch.device是代表将torch.tensor分配到哪个设备的函数
接着是，我看到了一篇文章，原来就是将网络啊、数据啊、随机种子啊、损失函数啊、等等等等直接转移到CUDA上就好了！
于是下面就好理解多了：
转移模型：
self.model = Net(num_channels=1, upscale_factor=self.upscale_factor, base_channel=64, num_residuals=4).to(self.device)
设置cuda的随机种子：
torch.cuda.manual_seed(self.seed)
转移损失函数：
转移数据：
data, target = data.to(self.device), target.to(self.device)
pytorch 网络定义参数的后面无法加.cuda()
pytorch定义网络__init__()的时候，参数不能加“cuda()", 不然参数不包含在state_dict()中，比如下面这种写法是错误的
self.W1 = nn.Parameter(torch.FloatTensor(3,3), requires_grad=True).cuda()
应该去掉".cuda()"
self.W1 = nn.Parameter(torch.FloatTensor(3,3), requires_grad=True)
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。
您可能感兴趣的文章:- pytorch 如何用cuda处理数据
- pytorch model.cuda()花费时间很长的解决
- pytorch中.to(device) 和.cuda()的区别说明
- PyTorch CUDA环境配置及安装的步骤(图文教程)
- Linux安装Pytorch1.8GPU(CUDA11.1)的实现
