为什么在pytorch中使用to（）方法？

Question

我已经多次看到这种方法。这样做的目的和优势是什么？非常感谢！

Answer 1

  

我们为什么要在pytorch中使用to（device）方法？

torch.Tensor.to是多用途方法。

您不仅可以进行类型转换，还可以执行CPU到GPU张量的移动以及GPU到CPU张量的移动：

tensor = torch.randn(2, 2)  
print(tensor)
tensor = tensor.to(torch.float64) 
print(tensor) #dtype=torch.float64
tensor = tensor.to("cuda") 
print(tensor) #device='cuda:0', dtype=torch.float64)
tensor = tensor.to("cpu") 
print(tensor) #dtype=torch.float64
tensor = tensor.to(torch.float32) 
print(tensor) # won't print dtype=torch.float32 since it is by default

由于CPU和GPU是不同种类的内存，因此必须有一种通信方式。 这就是为什么我们有to("cuda")和to("cpu")被称为张量的原因。

通常，当您加载训练数据集（图像）时：

• 您从URL（如MNIST http://deeplearning.net/data/mnist/mnist.pkl.gz）中下载它们
• 打开它们的包装
• 将它们转换为numpy数组
• 将numpy数组转换为张量（因为这很快）
• 将其移动到GPU进行培训。to("cuda")

您可以像这样创建张量并将它们移动到GPU。

torch.zeros(1000).to("cuda")

但是有一个窍门，有时您甚至可以将它们直接加载到GPU，而不会弄乱CPU。

torch.zeros(1000, device="gpu")

Answer 2

.to(device)

.to() 可用于将张量复制到任何可用设备（CPU、GPU）：

x = torch.randn(3)

x_g0 = x.to('cuda:0')
x_c = x.to('cpu')

它有别名 .cuda() 和 .cpu()。

---

.to(dtype)

当给定 dtype 作为参数时，.to() 充当铸造方法：

x_d = x.to(torch.double)

它有 dtype 命名的别名 .double()、.float()、.int() 等