【PyTorch如何实现CPU、GPU相互转换？】

问题的提出

写代码时非常困惑，明明下载了cuda支持包和PyTorch-GPU版本，进行NN和CNN时却是用CPU在进行计算（CPU利用率超90%，GPU利用率不到5%），如下图：

首先我检查了PyTorch是否安装成功，输入命令print(torch.cuda.is_available())，返回值为True，说明PyTorch是安装成功了，这可让我有点捉急。

看了许多文章终于解决了深度学习时CPU和GPU之间切换的问题，以下是一些总结。

1.CPU_to_GPU——定义device对象

深度学习前，可以调用torch.device函数定义当前设备，如要使用GPU计算 输入‘cuda’，使用CPU计算则输入‘cpu’。

为了以防万一，加上if判断语句，利用torch.cuda.is_available()对当前环境是否成功安装GPU版本的Pytorch进行判断，如果成功安装则选择GPU进行计算，否则CPU，代码如下：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

反之，也可GPU_to_CPU。

如果成功安装GPU版本的Pytorch，返回值为True，相反为False。接下来，需要使用Tensor.to(device)方法进行切换操作：

• 将Tensor数据转入GPU：

x_train,y_train,x_valid,y_valid = map(torch.tensor,(x_train,y_train,x_valid,y_valid))
x_train = x_train.to(device)
y_train = y_train.to(device)
x_valid = x_valid.to(device)
y_valid = y_valid.to(device)

• 别忘了将model也转入GPU：

model = model.to(device)

2.CPU_to_GPU——.cuda()方法

我们可以直接使用Tensor.cuda()方法将张量用GPU调用

# 数据用GPU调用
data = data.cuda()
target = target.cuda()
# 将model用GPU调用
net = CNN()
net = net.cuda()

3.GPU_to_CPU——.cpu

结束GPU计算后，需要转换回CPU调用模式才能进行相应的数值numpy计算，否则有可能报错，切换格式为Tensor.cpu()。

print(100. * train_r[0].cpu().numpy() / train_r[1])

End

问题就解决了：

补充：

尽量直接避免使用data.cuda() ，可能会报错，建议使用data = data.cuda()