Pytorch如何指定device(cuda or cpu)例子解析

代码示例:

在PyTorch中,指定设备(CPU或CUDA)是一个非常重要的步骤,特别是当你在进行深度学习训练时。以下是一些指定设备的详细例子:

  1. 检查CUDA是否可用 :

    首先,你需要检查你的机器是否支持CUDA,并且PyTorch是否能够使用CUDA。

    python 复制代码
    import torch
    if torch.cuda.is_available():
        print("CUDA is available. Using GPU.")
    else:
        print("CUDA is not available. Using CPU.")
  2. 设置默认设备 :

    你可以设置PyTorch的默认设备,这样所有的张量和模型都会默认使用这个设备。

    python 复制代码
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
  3. 创建张量并指定设备 :

    当你创建张量时,可以指定它们应该在哪个设备上。

    python 复制代码
    # 创建一个在CPU上的张量
    x_cpu = torch.tensor([1., 2., 3.], device='cpu')
    
    # 创建一个在GPU上的张量
    x_gpu = torch.tensor([1., 2., 3.], device=device)
  4. 将张量移动到指定设备 :

    如果张量已经创建,你可以使用.to().cuda()方法将其移动到指定的设备。

    python 复制代码
    # 将张量移动到GPU
    x_gpu = x_cpu.to(device)
    
    # 如果你知道你的设备是GPU,也可以使用.cuda()
    if torch.cuda.is_available():
        x_gpu = x_cpu.cuda()
  5. 指定模型的设备 :

    当你定义模型时,可以将其放置在指定的设备上。

    python 复制代码
    model = MyModel().to(device)
  6. 在训练循环中使用设备 :

    在训练循环中,你需要确保模型的输入数据和目标也在正确的设备上。

    python 复制代码
    for data, target in dataloader:
        data, target = data.to(device), target.to(device)
    
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
  7. 保存和加载模型时指定设备 :

    当你保存或加载模型时,确保模型在正确的设备上。

    python 复制代码
    # 保存模型
    torch.save(model.state_dict(), "model.pth")
    
    # 加载模型
    model = MyModel()
    model.load_state_dict(torch.load("model.pth", map_location=device))
    model.to(device)

请注意,当你在GPU上训练时,所有的输入数据、目标、模型参数等都应该在GPU上。这样可以确保计算是在GPU上进行的,从而提高训练速度。如果你的机器有多个GPU,你还可以指定使用特定的GPU,例如:

python 复制代码
device = torch.device("cuda:0")  # 使用第一个GPU

以上就是在PyTorch中指定设备的一些基本方法和例子。

喜欢本文,请点赞、收藏和关注!

相关推荐
黎燃28 分钟前
短视频平台内容推荐算法优化:从协同过滤到多模态深度学习
人工智能
TF男孩1 小时前
ARQ:一款低成本的消息队列,实现每秒万级吞吐
后端·python·消息队列
飞哥数智坊2 小时前
多次尝试用 CodeBuddy 做小程序,最终我放弃了
人工智能·ai编程
后端小肥肠2 小时前
别再眼馋 10w + 治愈漫画!Coze 工作流 3 分钟出成品,小白可学
人工智能·aigc·coze
唐某人丶5 小时前
教你如何用 JS 实现 Agent 系统(2)—— 开发 ReAct 版本的“深度搜索”
前端·人工智能·aigc
FIT2CLOUD飞致云6 小时前
九月月报丨MaxKB在不同规模医疗机构的应用进展汇报
人工智能·开源
阿里云大数据AI技术6 小时前
【新模型速递】PAI-Model Gallery云上一键部署Qwen3-Next系列模型
人工智能
袁庭新6 小时前
全球首位AI机器人部长,背负反腐重任
人工智能·aigc
机器之心6 小时前
谁说Scaling Law到头了?新研究:每一步的微小提升会带来指数级增长
人工智能·openai
该用户已不存在6 小时前
Mojo vs Python vs Rust: 2025年搞AI,该学哪个?
后端·python·rust