print('x,cuda2numpy：',x.cuda().numpy())

 会报错，应该先转换为cpu中再转换为numpy
 TypeError: can’t convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.
 
print('x,cuda2numpy：',x.cuda().cpu().numpy())
import torch
x=torch.Tensor([[2,5],[1,3]])
print('x,tensor：',x)
print('x,cuda：',x.cuda())
print('x,numpy：',x.numpy())
print('x,numpy2tensor：',torch.Tensor(x.numpy()))
print('x,numpy2tensor2：',torch.from_numpy(x.numpy()))
print('x,cuda2numpy：',x.cuda().cpu().numpy())
print (torch.cuda.device_count())
                    环境：Ubuntu 20.04 +pytorchGPU版本一、GPU1、查看CPU是否可用2、查看CPU个数3、查看GPU的容量和名称4、清空程序占用的GPU资源5、查看显卡信息6、清除多余进程二、GPU和CPU1、GPU传入CPU1.1 另一种情况2、CPU传入GPU3、注意数据位置对应三、Numpy和Tensor（pytorch）1、Tensor转成Numpy2、Numpy转成Tensor3、Cuda转成Numpy一、GPU1、查看CPU是否可用print (torch.cuda.is_avail
torch.rand((3,224,224)) #创建随机值的三维张量，大小为（3,224,224）
torch.Tensor([3,2]) #创建张量，[3,2]
2, cpu上的tensor和GPU即pytorch创建的tensor的相互转化
b = a.cpu() # GPU → CPU
a = b.cuda() #CPU → GPU
3, tensor和numpy的转化
b = a.numpy() # tensor转化为 numpy数组
a = b.from_numpy() # numpy数组转化为tensor
4, torch的
				
pytorch指定GPU
在用pytorch写CNN的时候，发现一运行程序就卡住，然后cpu占用率100%，nvidia-smi 查看显卡发现并没有使用GPU。所以考虑将模型和输入数据及标签指定到gpu上。
pytorch中的Tensor和Module可以指定gpu运行，并且可以指定在哪一块gpu上运行，方法非常简单，就是直接调用Tensor类和Module类中的 .cuda() 方法。
import torch
from PIL import Image
import torch.nn as nn
import numpy as np
from torch.autograd import 
标题名字是很奇怪，没关系，重点看内容。
正常安装CupPy需要较为复杂的cuda环境配置，可以参考文章——UDA环境配置。
如果你觉得去官网安装CUDA Toolkit太麻烦，那我们可以利用pyotch的cudatookit来保证Cupy的正常运行。
CuPy官网	
官网给出了详细的安装操作，但是需要手动安装CUDA Toolkit，如果你没有实践过，这也许会比较难。
官网给出了相应版本对应的安装命令：
我电脑是11.1，所以这里执行下面命令即可
pip install cupy-cuda
				
pip install torch ninja 
Pytorch 倒角距离。
 包括一个CUDA版本和一个带有 pytorch 标准操作的PYTHON版本。 注意：在这个仓库中，dist1 和 dist2 是点云欧氏距离的平方，因此您应该相应地调整阈值。
 F - 分数
CUDA 版本
 支持多GPU
 二维点云。
 3D 点云。
 5D 点云。
 连续（）安全。
Python版本
 支持任意维度
 import torch , chamfer3D . dist_chamfer_3D , fscore
chamLoss = chamfer3D . dist_chamfer_3D . chamfer_3DDist ()
points1 = torch . rand ( 32 , 1000 , 3 ). cuda ()
points2 = torch . rand ( 32 
				
1. 设置可见GPU的个数2. GPU的常用操作（1）常用操作列表（2）torch.cuda.is_available()（3）设置GPU默认使用编号3. 在GPU上使用数据3.1 直接创建法3.2 CPU转移至GPU（1）方法一：tensor.to()（2）方法二：tensor.cuda()
（3）方法三：tensor.type()（4）方法四：torch.from_numpy(np_labels).cuda()
4. 一般哪些对象可以使用GPU（1）网络模型 (module)（2）数据（3）损失函数
类型：GPU（CPU版本可以直接通过Anaconda Navigator勾选pytorch包下载使用）
Python版本：3.7
cudatoolkit:10.1.243
cudnn:7.6.3
_pytorch_select1.1.0
numpy1.18.1
torchvision:0.4.1
配置方法：在Anaconda Navigator中创建环境，安装cudatoolkit对应版本，安装cudnn对应版本，在
https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
中找到对应版本的压缩包
				
PyTorch是最新的深度学习框架之一，它与Numpy之间的转换是一个必要且常见的操作，例如在训练神经网络时数据的准备和处理。下面介绍两种实现方法。
方法1：利用numpy()函数将PyTorch的张量转换为Numpy数组，再利用from_numpy()函数将Numpy数组转换为PyTorch的张量。例如：
import torch
import numpy as np
# 将PyTorch张量转换为Numpy数组
a = torch.randn(3, 4)
a_np = a.numpy()
# 将Numpy数组转换为PyTorch张量
b_np = np.random.randn(3, 4)
b = torch.from_numpy(b_np)
方法2：利用to()函数将PyTorch的张量转换为指定设备的数据类型（比如cpu或gpu），再利用numpy()函数将PyTorch张量转换为Numpy数组。例如：
import torch
import numpy as np
# 将PyTorch张量转换为指定设备类型下的张量
a = torch.randn(3, 4)
a_gpu = a.to('cuda')
a_cpu = a_gpu.to('cpu')
# 将PyTorch张量转换为Numpy数组
b = torch.randn(3, 4)
b_np = b.numpy()
总的来说，这两种方法都可以方便的实现PyTorch和Numpy之间的转换。需要注意的是，这些转换会消耗一些计算资源，因此需要谨慎使用。