pytorch中的to(device)和map_location=device有什么区别
导读：本文共1887字符，通常情况下阅读需要6分钟。同时您也可以点击右侧朗读，来听本文内容。按键盘←（左） →（右） 方向键可以翻页。
摘要： 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... ...
目录
(为您整理了一些要点),点击可以直达。
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"))。
了解了两者代表的意义，以下介绍两者的使用。
保存：
加载：
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 。
保存：
加载：
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'))
保存：
加载：
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'))
pytorch中的to(device)和map_location=device有什么区别的详细内容，希望对您有所帮助，信息来源于网络。