pytorch的gpu加速代码

在使用PyTorch进行深度学习时，可以通过将数据和网络都推到GPU上来加速训练过程。具体步骤如下：
1. 将网络模型转移到GPU上，可以使用model.cuda()方法。
2. 将训练数据和测试数据转移到GPU上，可以使用data.cuda()方法。
3. 在训练过程中，将训练数据和预测结果都移到GPU上，可以使用input.cuda()和output.cuda()方法。
4. 在预测过程中，将数据移回CPU上，可以使用data.cpu()方法。

下面是一个使用PyTorch进行GPU加速的示例代码：

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision

# 将网络模型转移到GPU上
model = Net()
model.cuda()

# 将训练数据和测试数据转移到GPU上
train_data = train_data.cuda()
test_data = test_data.cuda()

# 在训练过程中，将训练数据和预测结果都移到GPU上
for epoch in range(num_epochs):
for i, (input, label) in enumerate(train_loader):
input = input.cuda()
label = label.cuda()
output = model(input)
loss = criterion(output, label)
optimizer.zero_grad()
loss.backward()
optimizer.step()

# 在预测过程中，将数据移回CPU上
output = model(input)
output = output.cpu()

可以看到，使用GPU加速后，训练时间大大缩短，同时准确率也有所提高。