要在PyTorch中使用GPU加速计算，需要将模型和数据移动到GPU上进行处理。以下是上一节演示修改后的示例代码，展示了如何在训练过程中利用GPU加速计算：

import torch
import torch.nn as nn
import torch.optim as optim
import time# 检查GPU是否可用
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 用于比较GPU对性能的提升程度，去掉注释时使用CPU
# device = torch.device("cpu")# 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(60, 30)self.relu = nn.ReLU()self.fc2 = nn.Linear(30, 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
criterion = nn.MSELoss()# 创建Adam优化器
optimizer = optim.Adam(model.parameters(), lr=0.01)# 准备训练数据，并将其移动到GPU
input_data = torch.randn(100000, 60).to(device)
target_data = torch.randn(100000, 1).to(device)# 训练模型
time_start = time.time()
for epoch in range(1000):optimizer.zero_grad()output = model(input_data)loss = criterion(output, target_data)loss.backward()optimizer.step()if epoch % 100 == 0:print(f'Epoch {epoch}, Loss: {loss.item()}')
time_stop = time.time()
print(f"time_spend = {time_stop - time_start} s")

在这个修改后的示例中，我们首先检查GPU是否可用，并将模型和训练数据移动到GPU设备上。通过调用.to(device)方法，模型和数据都会被转移到GPU上进行计算。接着，训练过程中的计算将在GPU上加速进行，提高训练效率。

而在我的机器上面，GPU训练时间输出为time_spend = 1.8002188205718994 s，CPU训练时间输出为time_spend = 11.982393026351929 s