deep learning with pytorch——7

将张量移动到GPU
1.每一个Torch张量都可以传输到一个gpu来执行快速、大规模的并行计算。对张量执行的所有操作都由PyTorch附带的GPU特定例程执行。
2.除了dtype之外，PyTorch张量还有一个设备的概念，即在计算机上张量数据的位置。下面介绍如何通过指定构造函数的相应参数在GPU上创建张量：

3.相反，您可以使用to方法将在CPU上创建的张量复制到GPU：

此代码返回一个新的张量，该张量具有相同的数值数据，但存储在GPU的RAM中，而不是常规系统RAM中。现在数据存储在GPU的本地，当对张量执行数学运算时，您开始看到加速。另外，这个新的GPU支持的tensor的类也变为torch.cuda.FloatTensor。
4.如果您的计算机有多个GPU，则可以通过传递一个基于零的整数来确定要将张量分配给哪个GPU，该整数标识计算机上的GPU：

5.此时，对张量执行的任何操作，例如将所有元素乘以常数，都在GPU上执行：

6.注意，当计算结果时，点-gpu张量不会返回到CPU
1）点张量被复制到GPU。
2）.在GPU上分配了一个新的张量，用来存储乘法的结果。
3）返回了GPU张量的句柄。
如果你也给结果加一个常数，

添加仍然在GPU上执行，没有信息流到CPU（除非您打印或访问生成的张量）。要将张量移回CPU，需要为To方法提供一个CPU参数

7.您可以使用cpu和cuda的方法，而不是to方法来实现相同的目标：