如何使用pytorch，设置同时使用两个GPU

在PyTorch中，可以使用`torch.nn.DataParallel`模块来设置同时使用多个GPU。以下是使用两个GPU的示例代码：

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

# 定义模型
class MyModel(nn.Module):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(128 * 8 * 8, 512)
        self.fc2 = nn.Linear(512, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = nn.functional.relu(x)
        x = nn.functional.max_pool2d(x, 2)
        x = self.conv2(x)
        x = nn.functional.relu(x)
        x = nn.functional.max_pool2d(x, 2)
        x = x.view(-1, 128 * 8 * 8)
        x = self.fc1(x)
        x = nn.functional.relu(x)
        x = self.fc2(x)
        return x

model = MyModel()

# 定义数据集和数据加载器
train_dataset = ...
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 判断是否有可用的GPU
if torch.cuda.is_available():
    device = torch.device("cuda:0,1") # 使用两个GPU
    model.to(device)
    model = nn.DataParallel(model, device_ids=[0, 1]) # 设置并行计算
else:
    device = torch.device("cpu")

# 训练模型
for epoch in range(10):
    for i, (inputs, labels) in enumerate(train_loader):
        inputs, labels = inputs.to(device), labels.to(device)
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

在上述代码中，首先判断是否有可用的GPU，然后使用`torch.device`将模型和数据移动到GPU上。接着使用`nn.DataParallel`将模型并行计算，其中`device_ids`参数指定要使用的GPU设备编号。最后，在每个训练步骤中，将数据和标签移动到GPU上。