本篇文章给大家分享的是有关怎么将pytorch网络转移到cuda，小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着小编一起来看看吧。
第一步是查看是否可以使用GPU
self.GPU_IN_USE = torch.cuda.is_available()
就是返回这个可不可以用GPU的函数，当你的pytorch是cpu版本的时候，他就会返回False。
然后是：
self.device = torch.device('cuda' if self.GPU_IN_USE else 'cpu')
torch.device是代表将torch.tensor分配到哪个设备的函数
接着是，我看到了一篇文章，原来就是将网络啊、数据啊、随机种子啊、损失函数啊、等等等等直接转移到CUDA上就好了！
于是下面就好理解多了：
转移模型：
self.model = Net(num_channels=1, upscale_factor=self.upscale_factor, base_channel=64, num_residuals=4).to(self.device)
设置cuda的随机种子：
torch.cuda.manual_seed(self.seed)
转移损失函数：
self.criterion.cuda()
转移数据：
data, target = data.to(self.device), target.to(self.device)
pytorch 网络定义参数的后面无法加.cuda()
pytorch定义网络__init__()的时候，参数不能加“cuda()", 不然参数不包含在state_dict()中，比如下面这种写法是错误的
self.W1 = nn.Parameter(torch.FloatTensor(3,3), requires_grad=True).cuda()
应该去掉".cuda()"
self.W1 = nn.Parameter(torch.FloatTensor(3,3), requires_grad=True)
以上就是怎么将pytorch网络转移到cuda，小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注本站行业资讯频道。
![[Pytorch框架] 4.2.1 使用Visdom在 PyTorch 中进行可视化](https://www.kunjuke.com/file/css/thumb/7.jpg/280-180.jpg)
![[Pytorch框架] 5.1 kaggle介绍](https://www.kunjuke.com/file/css/thumb/10.jpg/280-180.jpg)
![[Pytorch框架] 1.4 Autograd：自动求导](https://www.kunjuke.com/file/css/thumb/2.jpg/280-180.jpg)
