使用Pytorch，在GPU上训练模型

三大部分

网络模型，损失函数，数据
使用GPU训练模型，需要将这三个部分上传到GPU

tip：

网络模型、损失函数都不需要另外赋值，直接 .to(device) 就可以上传到GPU，
但是数据（图片、标注）需要另外转移之后再重新赋值给变量

1. 指定模型在哪个设备上训练，GPU or CPU

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

2. 将模型上传到device

class Net(torch.nn.Module):
    def __init__(self):
        super(Net,self).__init__()
        self.conv1 = torch.nn.Conv2d(1,10,kernel_size=5)
        self.conv2 = torch.nn.Conv2d(10, 20, kernel_size=5)
        self.pooling = torch.nn.MaxPool2d(2)
        self.linear= torch.nn.Linear(320,10)

    def forward(self,x): # x:(batch_size,C,W,H) 卷积神经网络的输入是四维张量
        batch_size = x.size(0)
        x = self.pooling(F.relu(self.conv1(x)))
        x = self.pooling(F.relu(self.conv2(x)))
        x = x.view(batch_size,-1) # 全连接神经网络的输入是二维张量
        # 神经网络的输入必须包含batch_size
        x = self.linear(x)
        return x   # 最后一层不做激活，因为要算交叉熵损失,交叉熵损失中包含了softmax层

model = Net()

# 模型上传到GPU
model.to(device)

3. 将损失函数上传到device

criterion =