PyTorch是当下非常流行的深度学习框架之一，它支持CPU和GPU两种计算方式。不过，有时候我们可能只想在CPU上运行代码，以便节约资源或进行调试。本文将介绍如何使用PyTorch只显示CPU版本，突出其中的重点词汇或短语。
首先来了解一下PyTorch的版本信息。截至2021年，PyTorch最新版本为1.8.0。在安装PyTorch时，可以根据需要选择CPU版本或GPU版本。如果计算机上没有GPU，可以直接安装CPU版本，这将使我们能够使用PyTorch的所有功能，只是在CPU上运行模型，而不是在GPU上运行。
使用PyTorch的常见场景包括机器学习、深度学习和计算机视觉等。在这些领域中，PyTorch因其灵活性和易用性而受到广泛欢迎。通过使用PyTorch，我们可以轻松地构建和训练各种类型的神经网络模型，从简单的线性回归模型到复杂的图像分类模型。
使用PyTorch只显示CPU版本的优势主要有以下几点：

1. 节约资源：在CPU上运行模型可以节省大量资源，尤其是当模型较大或训练数据集很大时。这可以降低计算机的硬件要求，使更多人能够进行深度学习研究。
2. 提高性能：在CPU上运行模型可以提高代码的运行效率。由于CPU的计算能力和内存带宽比GPU低，因此使用CPU进行计算通常比使用GPU更快。
3. 调试方便：当我们在CPU上运行模型时，可以更容易地调试代码。这是因为CPU版本的模型运行速度较慢，我们可以在模型训练过程中更好地观察和跟踪模型的表现。
   使用PyTorch只显示CPU版本时需要注意以下几点：
4. 避免过度依赖CPU性能：尽管在CPU上运行模型可以节省资源和提高性能，但CPU的计算能力和内存带宽仍然有限。如果模型过大或数据集过多，可能会导致CPU计算速度变慢，进而影响模型的训练效果。因此，在选择使用CPU版本时，需要充分考虑模型的复杂度和数据集的大小。
5. 注意数据备份：在训练深度学习模型时，通常需要大量的数据来进行训练。如果使用CPU进行计算，需要确保这些数据已经存储在计算机的硬盘上，并且备份以防数据丢失或损坏。
   下面是一个使用PyTorch只显示CPU版本的简单示例。在此示例中，我们将构建一个简单的神经网络来对MNIST手写数字数据集进行分类。
   ```python
   import torch
   import torch.nn as nn
   import torch.optim as optim
   from torchvision import datasets, transforms

   加载数据集并进行预处理

   train_dataset = datasets.MNIST(root=’./data’, train=True, transform=transforms.ToTensor(), download=True)
   test_dataset = datasets.MNIST(root=’./data’, train=False, transform=transforms.ToTensor(), download=True)

   定义神经网络模型

   class Net(nn.Module):
   def init(self):
   super(Net, self).init()
   self.fc1 = nn.Linear(28 28, 500)
   self.fc2 = nn.Linear(500, 10)
   def forward(self, x):
   x = x.view(-1, 28 28)
   x = torch.relu(self.fc1(x))
   x = self.fc2(x)
   return x

   定义训练和测试函数

   def train(model, device, train_loader):
   model.train()
   optimizer = optim.SGD(model.parameters(), lr=0.01)
   criterion = nn.CrossEntropyLoss()
   for epoch in range(10):
   for data, target in train_loader:
   data, target = data.to(device), target.to(device)
   optimizer.zero_grad()
   output = model(data)
   loss = criterion(output, target)
   loss.backward()
   optimizer.step()
   def test(model, device, test_loader):
   model.eval()
   test_loss = 0
   correct = 0
   with torch.no_grad():
   for data, target in test_loader:
   data, target = data.to(device), target.to(device)
   output = model(data)
   test_loss += criterion(output, target).item() #累加损失值
   pred = output.argmax(dim=1, keepdim=True) #得到预测的类别标签
   correct += pred.eq(target.view