前言，在pytorch中，当服务器上的gpu被占用时，很多时候我们想先用cpu调试下代码，那么就需要进行gpu和cpu的切换。

方法1：x.to(device)

把 device 作为一个可变参数，推荐使用argparse进行加载：

使用gpu时：

device='cuda'
x.to(device) # x是一个tensor，传到cuda上去

使用cpu时：

device='cpu'
x.to(device) 

方法2：使用x.cuda()+CUDA_VISIBLE_DEVICES

很多贴子中说，使用x.cuda() 和x.to('cuda') 虽然是等效的，但是x.cuda() 的缺点是无法动态切换cpu。然而，其实配合命令行参数CUDA_VISIBLE_DEVICES 是可以进行切换的。

在服务器上创建一个python脚本 t.py：

import torch
print(torch.cuda.device_count()) # 可用gpu数量
print(torch.cuda.is_available()) # 是否可用gpu

首先先看一下，正常运行的情况：

• 执行命令：python t.py
• 输出结果：因为服务器上有两个gpu，所以是我们想要的结果。

2
True

如果想要只使用某一块gpu，只需要在执行前加一个参数：

• CUDA_VISIBLE_DEVICES=0 python t.py，例如，我们要使用gpu 0
• 接下来看看输出什么：是的！程序中确实只可见了一块gpu~
  

1
True

下面，如果我们想使用cpu呢？

• CUDA_VISIBLE_DEVICES="" python t.py
• 输出结果：可以看到，虽然服务器上有2块cpu，通过我们设置执行参数，程序中也成功看不到了！
  

0
False

因此，回归正题，当我们使用x.cuda()进行分配gpu时，只需要使用torch.cuda.is_available()加一个判断即可，当想使用cpu的时候在执行程序的命令行参数进行控制：

if torch.cuda.is_available():
  x= x.cuda()