- CPU 与 GPU 性能对比
CPU：核心少，线程多，适合复杂逻辑、分支判断，以及少量数据的计算。
GPU：核心极多，线程多，适合大规模并行计算（如图像处理、深度学习矩阵运算）。
关键指标：
CPU：核心数、线程数、主频、缓存。
GPU：CUDA 核心数、显存大小、显存带宽、算力
2.GPU 训练的方法
PyTorch 中 GPU 训练的核心是将 "模型" 和 "数据" 都移动到 GPU 设备上，步骤如下：
（1）确定可用 GPU 设备：
（2）模型移动到 GPU：
（3）数据（张量 / 数据集）移动到 GPU：
3.类的 call 方法
在 Python 中，call 让类实例可以像函数一样被调用。
在 PyTorch 中，nn.Module 实现了 call，调用时会自动执行 forward() 方法，并做额外的 hook、参数管理等。
所以可以写：
4.对比不同loss记录频率对训练耗时的影响
