問題：已知一個張量cpu_tensor，將其移動到GPU

import torch
 
# 在 CPU 上創(chuàng)建一個張量
cpu_tensor = torch.tensor([1, 2, 3])

一、使用 .to() 方法：

# 將張量移動到 GPU
gpu_tensor = cpu_tensor.to('cuda')
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

.to() 方法，直接在原始張量上進行設(shè)備轉(zhuǎn)移。它不會創(chuàng)建新的張量，而是在原地更新了原始張量的設(shè)備信息。這樣的方式很高效，避免了不必要的數(shù)據(jù)拷貝。

二、使用 .cuda() 方法：

# 將張量移動到 GPU
gpu_tensor = cpu_tensor.cuda()
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

三、使用 torch.Tensor 構(gòu)造函數(shù)：

# 使用構(gòu)造函數(shù)將張量移動到 GPU
gpu_tensor = torch.Tensor(cpu_tensor).cuda()
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

四、使用 torch.tensor 構(gòu)造函數(shù)：

# 使用構(gòu)造函數(shù)將張量移動到 GPU
gpu_tensor = torch.tensor(cpu_tensor, device='cuda')
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

四個方法的輸出一致：

CPU Tensor: tensor([1,2,3])
GPU Tensor: tensor([1,2,3],device='cuda:0')

總結(jié)：

.to() 方法是一個通用的設(shè)備轉(zhuǎn)移方法，不僅可以用于 CPU 和 GPU 之間的轉(zhuǎn)移，還可以在不同的 GPU 之間轉(zhuǎn)移。
除了設(shè)備，.to() 方法還可以指定數(shù)據(jù)類型（dtype），如 .to('cuda', dtype=torch.float32)。
返回的是新的張量，原始張量不會被修改。
.to() 方法的語法為：tensor.to(device, dtype=None, non_blocking=False)。

.cuda() 方法是 .to('cuda') 的一種快捷方式，專門用于將張量移動到 GPU。
不支持在不同的 GPU 之間轉(zhuǎn)移。
與 .to() 方法不同，.cuda() 不接受 dtype 參數(shù)。
返回的是新的張量，原始張量不會被修改。

torch.Tensor 構(gòu)造函數(shù)，先用torch.Tensor(cpu_tensor) 創(chuàng)建了一個新的張量，該張量的數(shù)據(jù)與 cpu_tensor 共享。然后，.cuda() 方法在原地將該張量的設(shè)備信息更新為 GPU。這個方法可以用于在已經(jīng)存在的張量上執(zhí)行設(shè)備轉(zhuǎn)移。

torch.tensor 構(gòu)造函數(shù)，并通過 device 參數(shù)指定了目標(biāo)設(shè)備為 GPU。它實際上是在創(chuàng)建一個新的張量，將原始張量的數(shù)據(jù)復(fù)制到了 GPU 上。這個方法用于在創(chuàng)建張量時就指定設(shè)備。

這些方法的選擇取決于個人偏好和代碼上下文。在實際使用中，通常使用 .to('cuda') ，這種方式最為簡潔和通用。

以上就是使用PyTorch將數(shù)據(jù)從CPU移動到GPU的四個方法的詳細(xì)內(nèi)容，更多關(guān)于PyTorch數(shù)據(jù)從CPU移動到GPU的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論