GPU，又称显卡、视觉处理器，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器，与CPU类似，只不过GPU是专为执行复杂的数学和几何计算而设计的，这些计算是图形渲染所必需的。
随着人工智能的发展，如今的GPU已经不再局限于3D图形处理了。GPU 加速计算是指同时利用图形处理器 (GPU) 和 CPU，加快科学、分析、工程、消费和企业应用程序的运行速度。

在PyTorch中使用GPU和TensorFlow中不同，在TensorFlow如果不对设备进行指定时，TensorFlow检测到GPU就会把自动将数据与运算转移到GPU中。而PyTorch类似于MxNet，需要显性的指定数据和运算放在哪里执行，这样的操作比较自由，却也有些繁琐。因为如果哪一步忘记转换了就会运行出错。

在代码的表现形式：***.cuda()
（1）在数据集加载中，使用GPU加速，如下：

test_x = torch.unsqueeze(test_data.test_data, dim=1).type(torch.FloatTensor)[:2000].cuda()/255.  
test_y = test_data.test_labels[:2000].cuda()

（2）对Tensor变量使用GPU加速，如下：

b_x = x.cuda()   
b_y = y.cuda()   

注：torch不同设备上的数据不能进行计算。指的是tensor。不包括numpy,list等。List和numpy可直接与tensor(无论在cpu还是gpu)进行计算。
（3）对搭建好的网络模型和损失函数使用GPU加速，如下：

cnn.cuda()      
loss_f = loss_f.cuda()

注：在模型定义完后，直接使用model.cuda()将模型的所有参数转移到cuda()上。
注：GPU是用来执行张量运算的，因此需要放在GPU上的是输入数据以及模型参数，optimizer不需要放GPU上