pytorch gpu的简单例子

在PyTorch中使用GPU可以大大加速模型的训练和推断速度。一般来说，只需将模型和数据移动到GPU上即可。

首先，需要确保PyTorch和CUDA已安装并配置正确。可以使用以下代码检查：

import torch

if torch.cuda.is_available():
    print('CUDA is available')
else:
    print('CUDA is not available')

如果CPU上运行，则输出为“CUDA is not available”，否则输出为“CUDA is available”。

接下来，创建一个简单的神经网络模型和一些随机数据，示例代码如下：

import torch
import torch.nn as nn
import torch.optim as optim

# 创建一个简单的神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)
    
    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 随机数据
data = torch.randn(32, 10)
labels = torch.randint(low=0, high=2, size=(32,))

将模型和数据移动到GPU上，示例代码如下：

# 定义设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 移动模型到GPU
net = Net().to(device)

# 移动数据到GPU
data = data.to(device)
labels = labels.to(device)

接下来，定义损失函数和优化器，并在GPU上执行训练。

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.1)

# 在GPU上执行训练
for epoch in range(10):
    optimizer.zero_grad()
    outputs = net(data)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

    print('Epoch {}, Loss: {:.4f}'.format(epoch+1, loss.item()))

在训练过程中，PyTorch会自动将梯度计算和优化器操作放在GPU上执行。可以通过使用`.item()`将损失从GPU转移到CPU，使得打印输出更方便。通过在训练之前将模型和数据移动到GPU上，PyTorch会自动在GPU上执行模型的前向和后向传播，从而加快训练速度。