使用PyTorch将数据从CPU移动到GPU的四个方法

问题：已知一个张量cpu_tensor，将其移动到GPU

import torch
 
# 在 CPU 上创建一个张量
cpu_tensor = torch.tensor([1, 2, 3])

一、使用 .to() 方法：

# 将张量移动到 GPU
gpu_tensor = cpu_tensor.to('cuda')
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

.to() 方法，直接在原始张量上进行设备转移。它不会创建新的张量，而是在原地更新了原始张量的设备信息。这样的方式很高效，避免了不必要的数据拷贝。

二、使用 .cuda() 方法：

# 将张量移动到 GPU
gpu_tensor = cpu_tensor.cuda()
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

三、使用 torch.Tensor 构造函数：

# 使用构造函数将张量移动到 GPU
gpu_tensor = torch.Tensor(cpu_tensor).cuda()
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

四、使用 torch.tensor 构造函数：

# 使用构造函数将张量移动到 GPU
gpu_tensor = torch.tensor(cpu_tensor, device='cuda')
 
print("CPU Tensor:", cpu_tensor)
print("GPU Tensor:", gpu_tensor)

四个方法的输出一致：

CPU Tensor: tensor([1,2,3])
GPU Tensor: tensor([1,2,3],device='cuda:0')

总结：

.to() 方法是一个通用的设备转移方法，不仅可以用于 CPU 和 GPU 之间的转移，还可以在不同的 GPU 之间转移。
除了设备，.to() 方法还可以指定数据类型（dtype），如 .to('cuda', dtype=torch.float32)。
返回的是新的张量，原始张量不会被修改。
.to() 方法的语法为：tensor.to(device, dtype=None, non_blocking=False)。

.cuda() 方法是 .to('cuda') 的一种快捷方式，专门用于将张量移动到 GPU。
不支持在不同的 GPU 之间转移。
与 .to() 方法不同，.cuda() 不接受 dtype 参数。
返回的是新的张量，原始张量不会被修改。

torch.Tensor 构造函数，先用torch.Tensor(cpu_tensor) 创建了一个新的张量，该张量的数据与 cpu_tensor 共享。然后，.cuda() 方法在原地将该张量的设备信息更新为 GPU。这个方法可以用于在已经存在的张量上执行设备转移。

torch.tensor 构造函数，并通过 device 参数指定了目标设备为 GPU。它实际上是在创建一个新的张量，将原始张量的数据复制到了 GPU 上。这个方法用于在创建张量时就指定设备。

这些方法的选择取决于个人偏好和代码上下文。在实际使用中，通常使用 .to('cuda') ，这种方式最为简洁和通用。

以上就是使用PyTorch将数据从CPU移动到GPU的四个方法的详细内容，更多关于PyTorch数据从CPU移动到GPU的资料请关注脚本之家其它相关文章！

最新评论