PyTorch 2.0 以下版本中设置默认使用 GPU 的方法

在 PyTorch 2.0以下版本中，默认情况下仍然是使用 CPU 进行计算，除非明确指定使用 GPU。在 PyTorch 2.0 以下版本中，虽然没有 torch.set_default_device 的便捷方法，但可以通过显式地将张量、模型和操作分配到 GPU 来使用 GPU。

1. 检查 GPU 可用性

在使用 GPU 之前，首先检查系统中是否有可用的 GPU。

import torch# 检查是否有可用的 GPU
print(torch.cuda.is_available())  # 返回 True 或 False# 检查可用 GPU 的数量
print(torch.cuda.device_count())# 当前 GPU 名称
if torch.cuda.is_available():print(torch.cuda.get_device_name(0))

2. 将张量移动到 GPU

张量可以通过 .to('cuda') 或 .cuda() 方法显式地移动到 GPU。

# 创建一个张量并将其移动到 GPU
x = torch.tensor([1.0, 2.0, 3.0])
x_gpu = x.to('cuda')  # 或 x.cuda()
print(x_gpu.device)  # 输出：cuda:0# 在 GPU 上进行计算
y = x_gpu * 2
print(y)  # 输出在 GPU 上的结果

3. 将模型移动到 GPU

PyTorch 模型及其参数需要显式地移动到 GPU。

# 定义一个简单的模型
model = torch.nn.Linear(10, 1)# 将模型移动到 GPU
model = model.to('cuda')  # 或 model.cuda()# 检查模型参数所在的设备
print(next(model.parameters()).device)  # 输出：cuda:0

4. 确保输入数据和模型在同一设备上

模型和输入数据需要在同一个设备上，否则会报错。

# 创建一个张量并移动到 GPU
input_data = torch.randn(5, 10).to('cuda')# 定义并移动模型到 GPU
model = torch.nn.Linear(10, 1).to('cuda')# 前向传播
output = model(input_data)
print(output)

5. 使用 `torch.device` 动态管理设备

可以使用 torch.device 动态管理设备。

# 定义设备
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')# 将张量移动到设备
x = torch.tensor([1.0, 2.0, 3.0]).to(device)# 将模型移动到设备
model = torch.nn.Linear(10, 1).to(device)

6. 优化器和损失函数的设备兼容性

当使用 GPU 时，模型的输出和目标（target）都需要在同一设备上。

# 创建数据和目标，并移动到 GPU
data = torch.randn(5, 10).to('cuda')
target = torch.randn(5, 1).to('cuda')# 定义模型并移动到 GPU
model = torch.nn.Linear(10, 1).to('cuda')# 定义损失函数
criterion = torch.nn.MSELoss()# 定义优化器
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)# 前向传播
output = model(data)
loss = criterion(output, target)# 反向传播
loss.backward()
optimizer.step()

7. 混合设备计算（可选）

在多 GPU 或混合 CPU/GPU 环境中，可以手动管理每个张量或模型的设备。

# 在 CPU 上创建张量
x_cpu = torch.tensor([1.0, 2.0, 3.0])# 在 GPU 上创建张量
x_gpu = x_cpu.to('cuda')# 将结果移动回 CPU
result = x_gpu * 2
result_cpu = result.to('cpu')
print(result_cpu)