Python 为什么我们要在pytorch中使用to（）方法？

这种方法我已经见过很多次了。这样做的目的和好处是什么

为什么我们要在pytorch中使用to（device）方法

这是一种多用途的方法

不仅可以进行类型转换，还可以进行CPU到GPU张量移动和GPU到CPU张量移动：

tensor = torch.randn(2, 2)  
print(tensor)
tensor = tensor.to(torch.float64) 
print(tensor) #dtype=torch.float64
tensor = tensor.to("cuda") 
print(tensor) #device='cuda:0', dtype=torch.float64)
tensor = tensor.to("cpu") 
print(tensor) #dtype=torch.float64
tensor = tensor.to(torch.float32) 
print(tensor) # won't print dtype=torch.float32 since it is by default

因为CPU和GPU是不同种类的存储器，所以它们必须有一种通信方式。 这就是为什么我们有

到（“cuda”）

，和

到（“cpu”）

，我们称之为张量

通常在加载训练数据集（图像）时：

• 您可以从URL下载它们（如MNIST）
• 打开包装
• 将它们转换为numpy数组

---

• 将numpy数组转换为张量（因为这很快）
• 将他们移动到GPU进行培训。

  移动到（“cuda”）

您可以像这样创建张量并将其移动到GPU

torch.zeros(1000).to("cuda")

但有一个技巧，有时你甚至可以直接将它们加载到GPU而不影响CPU

torch.zeros(1000, device="gpu")

.to（）

可用于将张量复制到任何可用设备（CPU、GPU）：

x=torch.randn（3）
x_g0=x.to（'cuda:0'）
x_c=x.to（'cpu'）

它有别名

.cuda（）

和

.cpu（）

---

当将数据类型指定为Arment

时，to（）

用作强制转换方法：

x_d=x.to（火炬双火炬）

---

它有一个名为alias的数据类型

.double（）

，

.float（）

，

.int（）

等

你读过这篇文章了吗？如果是，你的问题是什么？快速添加。。。在引擎盖下，

type

和

to

方法执行相同的类型检查并在需要时进行转换，但是

to

方法可以使用其他参数。这非常有用。为什么首先要将未打包的数据转换为numpy数组，然后再转换为张量？为什么不直接转换成张量呢？我看到了可以直接将数组转换为张量的例子，所以不确定为什么不能直接转换为张量。“将numpy数组转换为张量（因为这很快）”，其他方法可能会慢一些。明白了。谢谢@普罗斯蒂