本篇文章给大家分享的是有关怎么在Pytorch中切换 cpu和gpu，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。
方法1：x.to(device)
把 device 作为一个可变参数，推荐使用argparse进行加载：
使用gpu时：
device='cuda'x.to(device) # x是一个tensor，传到cuda上去使用cpu时：
device='cpu'x.to(device)方法2：使用x.cuda()+CUDA_VISIBLE_DEVICES
很多贴子中说，使用x.cuda() 和x.to('cuda') 虽然是等效的，但是x.cuda() 的缺点是无法动态切换cpu。然而，其实配合命令行参数CUDA_VISIBLE_DEVICES 是可以进行切换的。
在服务器上创建一个python脚本 t.py：
import torchprint(torch.cuda.device_count()) # 可用gpu数量print(torch.cuda.is_available()) # 是否可用gpu首先先看一下，正常运行的情况：
执行命令：python t.py
输出结果：因为服务器上有两个gpu，所以是我们想要的结果。
2
True
如果想要只使用某一块gpu，只需要在执行前加一个参数：
CUDA_VISIBLE_DEVICES=0 python t.py，例如，我们要使用gpu 0
接下来看看输出什么：是的！程序中确实只可见了一块gpu~
1
True
下面，如果我们想使用cpu呢？
CUDA_VISIBLE_DEVICES="" python t.py
输出结果：可以看到，虽然服务器上有2块cpu，通过我们设置执行参数，程序中也成功看不到了！
0
False
因此，回归正题，当我们使用x.cuda()进行分配gpu时，只需要使用torch.cuda.is_available()加一个判断即可，当想使用cpu的时候在执行程序的命令行参数进行控制：
if torch.cuda.is_available(): x= x.cuda()以上就是怎么在Pytorch中切换 cpu和gpu，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。更多详情敬请关注编程网行业资讯频道。
