在基于PyTorch的深度学习框架中，通常需要将以下内容传到GPU：
- 模型参数：神经网络模型的权重和偏置。
- 输入数据：训练和测试时的输入数据张量。
- 标签数据：对应的标签数据张量（如果有）。
- 损失函数和优化器状态：虽然损失函数和优化器本身不需要移动到GPU，但它们内部使用的数据和模型参数需要在GPU上。
步骤
- 设置设备
# 只有一块GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 指定某个GPU
device = torch.device("cuda:1")
- 将模型移动到GPU：
model = MyNeuralNet()
model.to(device)
- 将输入数据和标签移动到GPU：
inputs = inputs.to(device)
labels = labels.to(device)
- 损失函数和优化器：
损失函数不需要显式地移动到GPU，因为它会自动处理张量的位置。
优化器(optimizer)需要在模型参数移动到GPU之后定义。
显存管理
由于数据是一批一批地读进显存的，当每个批次的数据被用完之后，GPU显存中的这些数据会被释放，为下一个批次的数据腾出空间。
因此，适当降低批次大小（batch size）是一个常用的方法来节省显存。
