torch.utils.data.DataLoader GPU

要在GPU上使用`torch.utils.data.DataLoader`，需要将数据集和模型的张量数据类型都设置为GPU上的张量类型。在PyTorch中，可以使用`.to()`方法将张量移动到GPU上。

以下是一个示例，演示如何将数据集和模型加载到GPU上：

import torch
import torchvision
from torch.utils.data import DataLoader

# 加载MNIST数据集
train_data = torchvision.datasets.MNIST(root='./data', train=True, download=True)
test_data = torchvision.datasets.MNIST(root='./data', train=False, download=True)

# 将数据集转换为张量类型
train_data.data = train_data.data.to(torch.float32).to(device='cuda')
train_data.targets = train_data.targets.to(device='cuda')

test_data.data = test_data.data.to(torch.float32).to(device='cuda')
test_data.targets = test_data.targets.to(device='cuda')

# 创建DataLoader对象
train_loader = DataLoader(train_data, batch_size=32, shuffle=True, num_workers=4)
test_loader = DataLoader(test_data, batch_size=32, shuffle=False, num_workers=4)

# 创建模型并将其移动到GPU上
model = MyModel().to(device='cuda')

# 迭代数据集
for images, labels in train_loader:
    # 将数据移动到GPU上
    images = images.to(device='cuda')
    labels = labels.to(device='cuda')
    
    # 在GPU上运行模型
    outputs = model(images)
    
    # 处理输出
    pass

在这个示例中，我们首先将数据集中的数据和标签转换为GPU上的张量类型。然后，我们使用`to()`方法将它们移动到GPU上。接下来，我们创建了一个模型并将其移动到GPU上。在迭代数据集时，我们还需要将每个batch的数据移动到GPU上。最后，我们在GPU上运行模型并处理输出。