pytorch在张量运算时允许我们在GPU上进行计算，我们可以采用这些方法将数据无缝的移入或移出GPU。
当我们进入GPU时，我们可以使用cuda()方法，当我们进入CPU时，我们可以使用cpu()方法。
同时，我们还可以使用to()方法，去GPU的时候，我们写到('cuda')，去CPU的时候，我们写到('cpu')。
在训练过程中，要想利用我们的GPU，有两个基本要求：
数据必须移到GPU上
网络必须移到GPU上
默认情况下，在创建PyTorch张量或PyTorch神经网络模块时，会在CPU上初始化相应的数据。具体来说，这些数据存在于CPU的内存中。
下面是一些实例：
>>> import torch>>> data=torch.tensor([1,2,3,4])>>> data.devicedevice(type='cpu')>>> v1=data.to('cuda')>>> v1.devicedevice(type='cuda', index=0)>>> v2=data.cuda()>>> v2.devicedevice(type='cuda', index=0)>>> v3=v2.to('cpu')>>> v3.devicedevice(type='cpu')>>> v4=v2.cpu()>>> v4.device
然而，代码需要在不同的设备都能运行，也就是在不修改代码的情况下在GPU上可以使用或者在只能使用CPU的设备上运行。
例如，假设我们写的代码到处使用cuda()方法，然后，我们把代码交给一个没有GPU的用户，这样做是行不通的。
对此，我们可以这样处理：
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")input=data.to(device)network=Network()net=network.to(device)
总结起来，在我们编写的代码中，尽量使用这种形式：
device=torch.device("cuda" if torch.cuda.is_available() else "cpu")***=***.to(device)
