pytorch中Tensor.to(device)和model.to(device)的区别是什么

这篇文章主要介绍了PyTorch中Tensor.to(device)和model.to(device)的区别是什么的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇pytorch中Tensor.to(device)和model.to(device)的区别是什么文章都会有所收获，下面我们一起来看看吧。

Tensor.to(device)和model.to(device)的区别

区别所在

使用GPU训练的时候，需要将Module对象和Tensor类型的数据送入到device。通常会使用 to.(device)。但是需要注意的是：

• 对于Tensor类型的数据，使用to.(device) 之后，需要接收返回值，返回值才是正确设置了device的Tensor。

• 对于Module对象，只用调用to.(device) 就可以将模型设置为指定的device。不必接收返回值。

来自pytorch官方文档的说明：

Tensor.to(device)

Module.to(device)

举例

# Module对象设置device的写法model.to(device)# Tensor类型的数据设置 device 的写法。samples = samples.to(device)

pytorch学习笔记--to(device)用法

在学习深度学习的时候，我们写代码经常会见到类似的代码：

img = img.to(device=torch.device("cuda" if torch.cuda.is_available() else "cpu"))model = models.vgg16_bn(pretrained=True).to(device=torch.device("cuda" if torch.cuda.is_available() else "cpu"))

也可以先定义device：

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

这段代码到底有什么用呢？

这段代码的意思就是将所有最开始读取数据时的tensor变量copy一份到device所指定的GPU上去，之后的运算都在GPU上进行。

为什么要在GPU上做运算呢？

首先，在做高维特征运算的时候，采用GPU无疑是比用CPU效率更高，如果两个数据中一个加了.cuda()或者.to(device)，而另外一个没有加，就会造成类型不匹配而报错。

tensor和numpy都是矩阵，前者能在GPU上运行，后者只能在CPU运行，所以要注意数据类型的转换。

.cuda()和.to(device)的效果一样吗？为什么后者更好？

两个方法都可以达到同样的效果，在pytorch中，即使是有GPU的机器，它也不会自动使用GPU，而是需要在程序中显示指定。调用model.cuda()，可以将模型加载到GPU上去。这种方法不被提倡，而建议使用model.to(device)的方式，这样可以显示指定需要使用的计算资源，特别是有多个GPU的情况下。

如果你有多个GPU

那么可以参考以下代码：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")model = Model()if torch.cuda.device_count() > 1:    model = nn.DataParallel(model，device_ids=[0,1,2])    model.to(device)

关于“pytorch中Tensor.to(device)和model.to(device)的区别是什么”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“pytorch中Tensor.to(device)和model.to(device)的区别是什么”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注编程网精选频道。