pytorch中的model.cuda()
如果我在pytorch中调用pytorch中的model.cuda(),pytorch,Pytorch,如果我在pytorch中调用model.cuda(),其中model是nn.Module的子类,并说如果我有四个GPU,它将如何利用这四个GPU,以及如何知道使用的是哪个GPU?如果在model.cuda()所有模型参数之后有一个从nn.Module派生的自定义模块,(model.parameters()iterator可以显示这些)将在cuda上结束 要检查参数的位置,请在我的示例中打印它们(cuda:0): class M(nn.Module): 'custom module'
model.cuda()
,其中model是nn.Module
的子类,并说如果我有四个GPU,它将如何利用这四个GPU,以及如何知道使用的是哪个GPU?如果在model.cuda()
所有模型参数之后有一个从nn.Module
派生的自定义模块,(model.parameters()
iterator可以显示这些)将在cuda上结束
要检查参数的位置,请在我的示例中打印它们(cuda:0):
class M(nn.Module):
'custom module'
def __init__(self):
super().__init__()
self.lin = nn.Linear(784, 10)
m = M()
m.cuda()
for _ in m.parameters():
print(_)
# Parameter containing:
# tensor([[-0.0201, 0.0282, -0.0258, ..., 0.0056, 0.0146, 0.0220],
# [ 0.0098, -0.0264, 0.0283, ..., 0.0286, -0.0052, 0.0007],
# [-0.0036, -0.0045, -0.0227, ..., -0.0048, -0.0003, -0.0330],
# ...,
# [ 0.0217, -0.0008, 0.0029, ..., -0.0213, 0.0005, 0.0050],
# [-0.0050, 0.0320, 0.0013, ..., -0.0057, -0.0213, 0.0045],
# [-0.0302, 0.0315, 0.0356, ..., 0.0259, 0.0166, -0.0114]],
# device='cuda:0', requires_grad=True)
# Parameter containing:
# tensor([-0.0027, -0.0353, -0.0349, -0.0236, -0.0230, 0.0176, -0.0156, 0.0037,
# 0.0222, -0.0332], device='cuda:0', requires_grad=True)
您还可以按如下方式指定设备:
m.cuda('cuda:0')
使用torch.cuda.device\u count()
您可以检查您有多少台设备。若要扩展到在多个GPU之间分割计算,您应该使用或分布式数据并行