Pytorch学习之cuda
程序员文章站
2022-07-12 20:03:13
...
- CUDA 语义
torch.cuda用来设置和运行CUDA操作。它会记录下当前所选的GPU,这样一来,你分配的所有CUDA tensors默认就会创建在默认的设备(cpu或者某个gpu)上。当然默认的设备也可以通过torch.cuda.device内容管理器来进行改变。
然而,一旦分配了tensor之后,你不需要考虑你最初所选的设备(cpu或者某个gpu),运算最终的结果一定会跟你的tensor所选的设备是一样的。
跨GPU的运算默认是不允许的,但是可以通过copy_()和类似copy功能的方法to()和cuda()来进行实现跨GPU操作(其实还是在一个GPU上,就是把另一个GPU或者cpu的tensor给拷贝过来而已)。除非你能够实现对等的内存访问,否则任何试图在跨不同设备对tensor进行操作会触发错误。
Below you can find a small example showcasing this:
cuda = torch.device('cuda') # Default CUDA device
cuda0 = torch.device('cuda:0')
cuda2 = torch.device('cuda:2') # GPU 2 (these are 0-indexed)
x = torch.tensor([1., 2.], device=cuda0)
# x.device is device(type='cuda', index=0)
y = torch.tensor([1., 2.]).cuda()
# y.device is device(type='cuda', index=0)
with torch.cuda.device(1):
# allocates a tensor on GPU 1
a = torch.tensor([1., 2.], device=cuda)
# transfers a tensor from CPU to GPU 1
b = torch.tensor([1., 2.]).cuda()
# a.device and b.device are device(type='cuda', index=1)
# You can also use ``Tensor.to`` to transfer a tensor:
b2 = torch.tensor([1., 2.]).to(device=cuda)
# b.device and b2.device are device(type='cuda', index=1)
c = a + b
# c.device is device(type='cuda', index=1)
z = x + y
# z.device is device(type='cuda', index=0)
# even within a context, you can specify the device
# (or give a GPU index to the .cuda call)
d = torch.randn(2, device=cuda2)
e = torch.randn(2).to(cuda2)
f = torch.randn(2).cuda(cuda2)
# d.device, e.device, and f.device are all device(type='cuda', index=2)
下一篇: 使用webpack 的配置文件