要在PyTorch中使用GPU进行数据集的加载、模型的训练和最后模型的测试，需要将数据集和模型都移动到GPU上，并确保在训练和测试过程中都在GPU上进行计算。以下是一个完整的示例代码，展示了如何在PyTorch中使用GPU进行端到端的训练和测试：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset# 检查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 准备训练和测试数据，并将其移动到GPU
train_input = torch.randn(100, 10).to(device)
train_target = torch.randn(100, 1).to(device)
test_input = torch.randn(20, 10).to(device)
test_target = torch.randn(20, 1).to(device)# 创建数据集和数据加载器
train_dataset = TensorDataset(train_input, train_target)
train_loader = DataLoader(train_dataset, batch_size=10, shuffle=True)# 定义一个简单的神经网络模型，并将其移动到GPU
class SimpleModel(nn.Module):def __init__(self):super(SimpleModel, self).__init__()self.fc1 = nn.Linear(10, 5)self.relu = nn.ReLU()self.fc2 = nn.Linear(5, 1)def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return xmodel = SimpleModel().to(device)# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)# 训练模型
model.train()
for epoch in range(100):for input_data, target_data in train_loader:optimizer.zero_grad()output = model(input_data)loss = criterion(output, target_data)loss.backward()optimizer.step()# 测试模型
model.eval()
with torch.no_grad():test_output = model(test_input)test_loss = criterion(test_output, test_target)print(f'Test Loss: {test_loss.item()}')

在这个示例中，我们首先检查GPU是否可用，并将训练和测试数据移动到GPU上。然后，我们创建了数据集和数据加载器，定义了神经网络模型，并将模型移动到GPU。在训练过程中，我们使用数据加载器加载数据进行训练；在测试过程中，我们使用model.eval()将模型切换为评估模式，并使用torch.no_grad()上下文管理器关闭梯度计算，以避免在测试过程中更新模型参数。最后，我们计算了模型在测试集上的损失。整个训练和测试过程都在GPU上进行，以加速计算和提高效率。