一、GPU加速

• .to(device)方法：
  • device是指定的设备，如果'cpu'，'cuda'等。使用字符串'cpu'或torch.device('cpu')对象在功能上是等价的
  • .to()方法可以将数据传输到指定设备的存储空间中，如CPU内存:主存，GPU内存：显存。之后计算则会在对应设备上计算。这个数据
  • .to()方法是Pytorch中张量tensor或模型继承自torch.nn.Module的类等中实现的方法，但是基本Python数据类型没有该方法。
  • 它的参数允许你指定目标设备、数据类型，以及其他几个选项，以适应不同的需求。

  GPU加速是在深度学习和其他高性能计算任务中非常重要的技术。GPU（图形处理器）具有并行处理能力，能够同时处理成千上万的计算任务，这使得它们非常适合于执行深度学习模型的训练和推理过程，因为这些过程往往涉及到大量的矩阵和向量运算。

  在PyTorch中，使用GPU加速可以显著提高张量运算的速度。这是通过将张量和模型从CPU传输到GPU来实现的。使用GPU加速，特别是在处理大型深度学习模型和数据集时，可以显著减少训练和推理时间。不过，值得注意的是，这需要你有一个支持CUDA的NVIDIA GPU。此外，与CPU相比，GPU上的内存（通常称为显存）可能更少，这可能限制你一次能处理的数据量大小。因此，在设计模型和选择批量大小时，需要考虑到显存的限制。

以下是一些基本步骤，展示了如何在PyTorch中使用GPU加速：

1. 检查GPU可用性：

首先，你需要检查GPU是否可用。

• torch.cuda.is_available()函数来检查系统是否有可用的CUDA支持的GPU
• torch.cuda.device_count()函数来检查系统有多少个可用GPU设备

import torch
# 检测系统中是否有可用的GPU
print("检测系统中是否有可用的GPU:",torch.cuda.is_available())

if torch.cuda.is_available():
     # 输出可用的GPU设备数量
    print(f"GPU可用，可用的GPU设备数量：{torch.cuda.device_count()}")
    # 输出每个可用GPU设备的名称
    for i in range(torch.cuda.device_count()):
        print(f"GPU设备{i}: {torch.cuda.get_device_name(i)}")

2. GPU不可用需要具体查看问题

如果没有安装gpu版本的torch，则需要安装，并且在安装时，注意cuda的版本：命令行中输入nvidia-smi，可以查看可以安装的最高cuda版本。

torch+cuda安装教程
下载NVIDIA驱动程序教程。
如果你已经安装了Pytorch等，在执行命令行下载时，建议新建虚拟环境并可以添加--force-reinstall选项来强制重新安装PyTorch及其相关库：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117 --force-reinstall --user

用以下命令查看是否可用，以及torch版本是否正确：

print("检测系统中是否有可用的GPU:",torch.cuda.is_available())
print(torch.__version__)

3. 指定设备

一旦确认GPU可用，你可以定义一个设备对象，用于后续将张量和模型转移到GPU。例如，device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")。这里"cuda:0"表示使用第一个CUDA支持的GPU，如果GPU不可用，则回退到CPU。

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

4.将张量和模型转移到GPU

你可以使用.to(device)方法将张量和模型转移到指定的设备（GPU或CPU）。例如，tensor_gpu = tensor.to(device)和model.to(device)。这样，张量和模型的所有计算都将在GPU上进行，从而利用其并行计算能力加速运算。其中tensor和model分别是torch中定义的张量和模型。

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
x=torch.tensor([1,1,2,3]).to(device)
x=torch.tensor([1,1,2,3]).to(torch.device("cpu"))
x=torch.tensor([1,1,2,3]).to('cuda')#直接转移至GPU

如果没有GPU还要转移到GPU上，会产生如下报错：AssertionError: Torch not compiled with CUDA enabled

5.执行计算：

在张量和模型转移到GPU后，你可以正常执行计算。计算会自动在GPU上进行，利用其高性能加速计算过程。

6.将结果转移回CPU

如果需要将结果转回CPU，可以使用.to('cpu')方法。例如，result_cpu = result_gpu.to('cpu')。

device=torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
x=torch.tensor([11,2,5,6]).to(device)
result=x*2
#以上tensor计算都在GPU上

#将结果转入cpu，以后处理在CPU上
result=result.to('cpu')
result=result*2

二、转移原理

将张量或模型转移到GPU以及将结果转回CPU，是深度学习中常见的做法，用于利用GPU进行高速计算的同时，确保与其他不支持GPU计算的操作或数据兼容。这一过程的背后原理涉及数据在不同硬件设备之间的传输，以及计算设备的管理。

1. 数据和模型的存储

首先，了解CPU和GPU 有各自独立的内存空间 是很重要的：

• CPU内存：通常称为主内存，由RAM（随机存取存储器）构成，用于存储程序运行中需要的数据和指令。也就是说计算机的内存是用CPU处理的，并且内存到磁盘的转移也需要用CPU协调。
• GPU内存：也称为显存，是专门为GPU设计的，用于存储GPU处理的数据，比如渲染图形的纹理数据或进行科学计算的矩阵。

2. 数据传输

当你将一个张量或模型“转移到GPU”时，实际上是将数据从CPU内存复制到GPU内存。相应地，从GPU“转回”数据到CPU也涉及到一个从GPU内存到CPU内存的复制过程。这些操作通常通过PCI Express (PCIe)总线完成，PCIe是一种高速串行计算机扩展总线标准，用于连接主板和外部设备，比如GPU。

3. 计算执行

• 在GPU上执行计算：将数据或模型转移到GPU后，CUDA或其他GPU加速库可以利用GPU的并行计算能力执行复杂的数学运算，如矩阵乘法、卷积等操作，这些操作是深度学习中的基本构件。
• 处理结果：计算完成后，通常需要将结果数据从GPU内存复制回CPU内存，以便进行进一步的处理或分析，因为某些操作可能只能在CPU上执行，或者你需要将数据保存到磁盘，这通常是通过CPU来完成的。

4. 设备管理

在PyTorch等深度学习框架中，通过特定的API（应用程序接口，比如一些函数，我们只会使用，不会其实现原理这就是一种接口）调用来管理数据在设备之间的移动。例如，使用.to(device)方法指定数据或模型应该在哪个设备上运算。这种灵活性允许开发者编写设备无关的代码，框架负责在后台处理数据的移动和计算设备的选择。

5.小结

• 转移至GPU：是一个数据从CPU内存复制到GPU内存的过程，旨在利用GPU的并行计算能力加速运算。
• 转回至CPU：是将数据从GPU内存复制回CPU内存的过程，以便进行非GPU加速的操作或持久化存储。

这一过程核心在于，不同的计算任务根据其特性和所需的计算资源，可以在最适合的硬件上执行，从而优化整体的计算效率和性能。如果需要快速计算，那么计算时，将计算的数据放入GPU内存用GPU处理，计算完如果需要进入内存，存入磁盘等操作，那么就再把数据放入CPU内存（主存），然后在处理。

三、to方法的参数类型