【libtorch】tensor.to(at::CUDA)不生效以及 tensor.to(at::CUDA)&&model.to(at::CUDA)的区别

黎曼不会算积分

已于 2022-09-23 16:31:31 修改

阅读量1.9k

点赞数 1

文章标签： pytorch c++

于 2022-09-23 16:31:11 首次发布

本文链接：https://blog.youkuaiyun.com/Feeryman_Lee/article/details/127013005

版权

本文详细介绍了在PyTorch中，将模型和张量迁移到CUDA设备上的不同之处。对于张量，to()操作返回一个新的在GPU上的张量，而原始张量保留在CPU上。而对于模型，to()操作则是直接移动模型到GPU，完成资源的迁移。正确使用张量的CUDA操作应通过赋值来替换原始张量，或者一步到位直接在创建时指定设备。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tensor.to(at::CUDA)&&model.to(at::CUDA)的区别

执行tensor.to(at::CUDA)发现tensor还在cpu中

官方文档如下：文档链接

在这里插入图片描述
注意move和return的区别
对于model，是move，即将model从cpu中移动到GPU中
对于tensor，是return，即返回一个新的tensor，新的Tensor在gpu中，原赖的Tensor还在CPU中

代码例子：

torch::Tensor a = torch::ones({2， 3});	//此时a在cpu中
a.to(at::kCUDA);	// 跟pytrch不一样，这么用的话，a仍然还在cpu中，典型的被pytorch坑了
torch::Tensor b = a.to(at::kCUDA);	// 此时b在gpu中，a在cpu中，正确用法

一步到位法：

torch:Tensor a = torch::ones({2, 3}).to(at::kCUDA);

如果是model的话，就直接是move可，代码例子：

torch::jit::script::Module get_jit_module(std::string model_path){
    torch::jit::script::Module module;
    //读取模型
    try {
        module = torch::jit::load(model_path);
        module.to(at::kCUDA);	// 直接移到cuda中
    } catch (const c10::Error& e) {
        std::cerr << "Error : can't load the jit file..." << std::endl;
        throw(e);
    }
    return module;
}