采取的方法 出现了错误

return F.conv2d(input, weight, bias, self.stride,
RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

这个证明model 不再gpu上面

我们将model().cuda()就可以了

目录

1. 本地调试：笔记本 GTX 1650 ➜ 忘记 .cuda()

2. 服务器多卡：代码里硬编码 cuda:0 ➜ 用户占卡 1

3. DDP 多进程：忘记 device_ids=[local_rank]

4. 混合精度 amp：Loss 函数里自建张量没指定 device

5. TorchScript 导出后加载模型：trace 时设备锁死

6. 数据并行 DataParallel ➜ 输入在 CPU

7. 自定义 CUDA 扩展：注册 buffer 时未指定 device

8. 边缘设备 ONNX 转换：常量节点 device 信息丢失

9. 多任务蒸馏：teacher 在 eval() 仍留 GPU，student 在 CPU

10. 单元测试：pytest 默认在 CPU 跑

一句话总结（写进文档）

1 为什么会报错

2 还有哪些“同根同源”的报错

3 避坑 checklist（2025 版）

4 一句话总结

---

下面把“设备不一致”报错在真实工程中的高频现场与复现场景一次性写全——2025 年依旧踩坑率 TOP5，可供直接写进技术博客/故障手册。

---

1. 本地调试：笔记本 GTX 1650 ➜ 忘记 .cuda()