Pytorch to(device)用法
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(shù)據(jù)之前。
mytensor = my_tensor.to(device)
這行代碼的意思是將所有最開始讀取數(shù)據(jù)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(shù)等于需要保存GPU上的tensor變量的個數(shù)；一般情況下這些tensor變量都是最開始讀數(shù)據(jù)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(qū)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(shù)據(jù)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(shù) 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(shù)字或一個元組 (sh x sw)。默認為1 - padding – 輸入上隱含零填充?？梢允菃蝹€數(shù)字或元組。 默認值：0 - groups – 將輸入分成組，in_channels應該被組數(shù)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(shù)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(zhí)行結束加操作之后x的值沒有發(fā)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(zhí)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腳本之家。
相關文章
解決import tensorflow導致jupyter內核死亡的問題
這篇文章主要介紹了解決import tensorflow導致jupyter內核死亡的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2021-02-02
實現(xiàn)python版本的按任意鍵繼續(xù)/退出
本文給大家簡單介紹了在windows以及l(fā)inux下實現(xiàn)python版本的按任意鍵繼續(xù)/退出功能，非常的簡單實用，linux下稍微復雜些，有需要的小伙伴可以參考下2016-09-09
python打開url并按指定塊讀取網(wǎng)頁內容的方法
這篇文章主要介紹了python打開url并按指定塊讀取網(wǎng)頁內容的方法,涉及Python操作URL及網(wǎng)頁內容的技巧,非常具有實用價值,需要的朋友可以參考下2015-04-04
今天小編就為大家分享一篇使用python繪制二維圖形示例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
在Python中,向IP地址發(fā)送字符串通常意味著你需要通過某種協(xié)議來實現(xiàn)通信,最常見的協(xié)議包括TCP和UDP,這篇文章主要介紹了Python向IP地址發(fā)送字符串的示例代碼,需要的朋友可以參考下2024-08-08
今天小編就為大家分享一篇Python字典底層實現(xiàn)原理詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要為大家詳細介紹了深入解讀Python解析XML的幾種方式，以ElementTree模塊為例，演示具體使用方法和場景，感興趣的小伙伴們可以參考一下2016-02-02
在本篇文章里小編給大家分享的是一篇關于Python3基礎語法知識點總結內容，有興趣的朋友們可以學習下,希望能夠給你帶來幫助2021-10-10
Python?實現(xiàn)循環(huán)最快方式（for、while?等速度對比）
這篇文章主要介紹了Python?利用for、while?實現(xiàn)循環(huán)最快方式，文章主要對for、while?等速度對比詳細介紹，具有一定的參考價值?，需要的小伙伴可以參考一下2022-01-01
這篇文章主要介紹了python用opencv完成圖像分割并進行目標物的提取，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-05-05