把模型放到gpu上训练只需要设置三个地方即可：

       （1） 指定训练设备device；

device = torch.device('cuda' if torch.cuda.is_available() else "cpu") 

        torch.device() 就是装torch.Tensor的一个地方 ；

                'cuda' 这里如果没有指定具体的卡号，那么系统默认 cuda:0；

       （2）实例化模型时候把模型加到device；

model = NN(input_size, num_classes).to(device)

       （3） 训练时候把特征和标签加到device, 测试时候也同样需要加到device；

data = data.to(device) 
targets = targets.to(device) 

在多卡上并行计算

torch.nn.DataParallel()

        torch.nn.DataParallel()具体的过程：大体就是将模型加载的每个卡上，数据平均分到每个卡上，原则上保证batch_size大于卡的数目就行；

  device = torch.device('cuda:2') #device = torch.device("cuda:1" if use_cuda else "cpu")  
  model = resnet19()  
  if torch.cuda.device_count() > 1: #10 
      print(torch.cuda.device_count())  
      model = nn.DataParallel(model, device_ids = [2,3,4])
  model.to(device)   

这段代码运行之后占用的GPU是：0,2,3,4。为什么会占用0？

       因为 即使我指定的卡没有0卡，他也会在0卡里面放参数和缓存；

如何避免这种现象呢？

        改变默认的device_ids[0]指向的卡。默认device_ids[0]指向的就是0卡，只需要通过环境变量，让device_ids[0]指向其他卡片即可；

os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = "2, 3, 4"	#仅有2，3，4（物理上）卡对程序可见，对应的逻辑上的卡号就算0，1，2
	    ......
device = torch.device('cuda') #device = torch.device("cuda:1" if use_cuda else "cpu")  
model = resnet19()  
if torch.cuda.device_count() > 1: #10 
    print(torch.cuda.device_count())  
    model = nn.DataParallel(model, device_ids = [0,1,2])
model.to(device)   

参考：Pytorch | GPU | 将代码加载到GPU上运行_sunflower_level1的博客-CSDN博客_pytorch在gpu上运行

做记录方便自己看，希望大家去看原作者的，更简单易懂！！！