这篇文章主要介绍了pytorch中的to(device)和map_location=device有什么区别的相关知识，内容详细易懂，操作简单快捷，具有一定借鉴价值，相信大家阅读完这篇pytorch中的to(device)和map_location=device有什么区别文章都会有所收获，下面我们一起来看看吧。
一、简介
将map_location函数中的参数设置 torch.load()为 cuda：device_id。这会将模型加载到给定的GPU设备。
调用model.to(torch.device('cuda'))将模型的参数张量转换为CUDA张量，无论在cpu上训练还是gpu上训练，保存的模型参数都是参数张量不是cuda张量，因此，cpu设备上不需要使用torch.to(torch.device("cpu"))。
二、实例
了解了两者代表的意义，以下介绍两者的使用。
1、保存在GPU上，在CPU上加载
保存：
torch.save(model.state_dict(), PATH)
加载：
device = torch.device('cpu')
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location=device))
解释：
在使用GPU训练的CPU上加载模型时，请传递 torch.device('cpu')给map_location函数中的 torch.load()参数，使用map_location参数将张量下面的存储器动态地重新映射到CPU设备 。
2、保存在GPU上，在GPU上加载
保存：
torch.save(model.state_dict(), PATH)
加载：
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH))
model.to(device)
# Make sure to call input = input.to(device) on any input tensors that you feed to the model
解释：
在GPU上训练并保存在GPU上的模型时，只需将初始化model模型转换为CUDA优化模型即可model.to(torch.device('cuda'))。
此外，请务必.to(torch.device('cuda'))在所有模型输入上使用该 功能来准备模型的数据。
请注意，调用my_tensor.to(device) 返回my_tensorGPU上的新副本。
它不会覆盖 my_tensor。
因此，请记住手动覆盖张量： my_tensor = my_tensor.to(torch.device('cuda'))
3、保存在CPU，在GPU上加载
保存：
torch.save(model.state_dict(), PATH)
加载：
device = torch.device("cuda")
model = TheModelClass(*args, **kwargs)
model.load_state_dict(torch.load(PATH, map_location="cuda:0")) # Choose whatever GPU device number you want
model.to(device)
# Make sure to call input = input.to(device) on any input tensors that you feed to the model
解释：
在已训练并保存在CPU上的GPU上加载模型时，请将map_location函数中的参数设置 torch.load()为 cuda：device_id。
这会将模型加载到给定的GPU设备。
接下来，请务必调用model.to(torch.device('cuda'))将模型的参数张量转换为CUDA张量。
最后，确保.to(torch.device('cuda'))在所有模型输入上使用该 函数来为CUDA优化模型准备数据。
请注意，调用 my_tensor.to(device)返回my_tensorGPU上的新副本。
它不会覆盖my_tensor。
因此，请记住手动覆盖张量：my_tensor = my_tensor.to(torch.device('cuda'))
关于“pytorch中的to(device)和map_location=device有什么区别”这篇文章的内容就介绍到这里，感谢各位的阅读！相信大家对“pytorch中的to(device)和map_location=device有什么区别”知识都有一定的了解，大家如果还想学习更多知识，欢迎关注云搜网行业资讯频道。
