Pytorch学习笔记—5：将张量存储到GPU

    在一般时候，当我们谈及存储时，我们指的是CPU上面的RMA。Pytorch张量也可以存储在另一种处理器上：GPU。每个Pytorch张量都可以存储到GPU上，以快速进行大规模并行计算。接下来，所有在张量上执行的操作将使用Pytorch附带的特定于GPU的例程来执行。

    Pytorch支持各种GPU：

    到2019年年中，Pytorch的主要版本只在支持CUDA的GPU上提供加速功能。Pytorch可以运行在AMD的ROCm上（ROCm的源代码可以在GitHub中找到），在GitHub上Pytorch主分支已提供了对AMD的支持，但到目前为止，你需要自己编译该源代码。

一、管理张量的设备属性—–decive

    除了dtype，Pytorch张量还有设备(device)的概念，即张量数据在计算机上的位置。下面我们将通过指定构造函数的相应参数在GPU上创建一个张量：

points_gpu = torch.tensor([[4.0, 1.0], [5.0, 3.0], [2.0, 1.0]], device='cuda')

我们也可以使用to()方法将在CPU上面的张量复制到GPU上:

points_gpu = points.to(device='cuda')

这样将返回一个新的张量，该张量具有相同的数字数据，但存储在GPU的RAM上，而不是常规的RAM上。现在数据被存储在本地GPU上，当我们对张量执行各种运算时将被加速。几乎在所有情况下，基于CPU和GPU的张量都公开相同的面向用户的API，这使得编写代码更加容易，开发者无需关注大量的数字运算将会在哪种设备上运行。

多GPU的情况：

    当我们的机器有多个GPU的时候，我们也可以通过从0开始传递一个整数来确定存储张量的GPU，例如：

points_gpu = points.to(device='cuda:0')

在此基础上，对张量执行的任何操作，例如将所有元素乘一个常数，都将在GPU上执行：

points = 2 * points             # 在CPU上运行
points_gpu = 2 * points_gpu     # 在GPU上运行

注意：一旦计算结果出来，张量points_gpu不会返回到CPU。

以下是上述代码产生的操作：

  ● 张量points被复制到GPU

  ● 在GPU上分配一个新的张量，用来存储乘法运算的结果

  ● 返回该GPU存储的张量的句柄

二、返回CPU

    为了将张量移回CPU，我们需要向to()方法提供一个cpu参数：

points_cpu = points_gpu.to(device='cpu')

    我们也可以使用简写的cpu()或cuda()方法来替代to()方法实现相同的目标：

points_gpu = points.cuda()
points_gpu = points.cuda(0)    
points_cpu = points_gpu.cpu()

值得一提的是，通过使用to()方法，我们可以同时通过device和dtype参数来更改位置和数据类型

今天的文章Pytorch学习笔记—5：将张量存储到GPU分享到此就结束了，感谢您的阅读。