在PyTorch中，即使是有GPU的机器，它也不会自动使用GPU，而是需要在程序中显示指定。当我们调用model.cuda()，PyTorch可以将模型加载到GPU上去，但是这种方法不被提倡，而建议使用model.to(device)的方式，这样可以显示指定需要使用的计算资源，特别是有多个GPU的情况下。
如果两个数据相加，例如a和b，要么在数据后面都加上cuda()，如a.cuda()和b.cuda()，使数据在GPU上进行运算；要么使用另外一种方式：在数据后面都不加cuda()，采用CPU运算。如果一个数据加了cuda()而另一个数据没有加，在运算的时候，会造成类型不匹配而报错。因为GPU版本是torch.cuda.FloatTensor，CPU版本是torch.FloatTensor。
在PyTorch中，.cuda()方法和.to(device)方法都可以用来将模型或张量（Tensor）移动到不同的设备上进行计算。虽然这两种方法在某些情况下可以达到相似的效果，但它们之间存在一些关键的区别：
特定性：.cuda()方法专门用于将模型或张量移动到GPU上。它是一个快捷方法，专为CUDA设备设计。
使用方式：当你调用.cuda()时，如果你的系统中有多个GPU，你可以通过传递一个设备索引来指定模型或张量应该被移动到哪个GPU上，比如.cuda(1)。如果不指定索引，则默认移动到系统的默认GPU。
限制：.cuda()仅适用于CUDA兼容的GPU设备，不能用于将模型或张量移动到CPU或其他类型的设备。
通用性：.to(device)方法提供了一种更通用的方式来移动模型或张量，它允许你指定任何设备作为目标。这里的设备可以是CPU("cpu")、CUDA设备 ("cuda"或"cuda:0"等指定GPU索引的方式)、甚至是其他PyTorch支持的设备类型。
灵活性：.to(device)方法让代码更具可移植性和灵活性。你可以通过更改device变量的值来控制模型或张量的移动，而无需更改方法调用或使用条件编码。示例：假设device = torch.device("cuda:0")，那么调用.to(device)会将模型或张量移动到第一个GPU上。如果device = torch.device("cpu")，相同的代码行将模型或张量移动回CPU。
使用.cuda()当你确定目标设备是CUDA兼容的GPU，并且你不需要考虑将模型或张量移动到其他类型的设备。使用.to(device)来编写更通用、可适应不同设备的代码，特别是当你希望你的代码能够在没有GPU的环境中回退到CPU时，或者你需要处理多种设备类型时。因此，.to(device)方法提供了更高的灵活性和通用性，是推荐的方式来编写设备无关的PyTorch代码。
总之，大家要记住一点：.to(device)方法可以自由地将向量和模型在CPU和GPU等设备中迁移，这就是英文单词“to”的魅力所在吧。