本文介绍了如何利用Pytorch在GPU上运行深度学习模型以提高效率，包括模型和数据集迁移至GPU的方法。同时，讨论了torch.FloatTensor与torch.cuda.FloatTensor的区别，数据交互时设备不一致的问题，以及CUDA内存不足的解决方案。
基于Pytorch使用GPU运行模型方法及注意事项
一、在基于pytorch深度学习进行模型训练和预测的时候，往往数据集比较大，而且模型也可能比较复杂，但如果直接训练调用CPU运行的话，计算运行速度很慢，因此使用GPU进行模型训练和预测是非常有必要的，可以大大提高实验效率。如果还没有配置好运行环境的博友们可以参考下面博主的文章。
1、点击打开《基于Windows中学习Deep Learning之搭建Anaconda+Cudnn+Cuda+Pytorch+Pycharm工具和配置环境完整最简版》文章
2、点击打开《基于Pytorch查看本地或者远程服务器GPU及使用方法》文章
二、具体方法分为两个大部分（模型和数据集）。
- 首先将模型model移动到cuda设备也就是GPU上，注意：此大模型可以内含多个子模型，子模型无需再重复移动到GPU上
model = Net() # 举例模型
device = torch.device("cuda:0" if
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
