这个问题已经被问过很多次了（1，2）。引用一个PyTorch开发人员的回答：
That’s not possible. Modules can hold parameters of different types on different devices, and so it’s not always possible to unambiguously determine the device.
推荐的工作流程（如PyTorch博客中所述）是单独创建device对象并在任何地方使用它。

# at beginning of the script

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

...

# then whenever you get a new Tensor or Module

# this won't copy if they are already on the desired device

input = data.to(device)
model = MyModule(...).to(device)

请注意，没有什么可以阻止您向模型添加.device属性。
正如Kani（在注解中）提到的，如果模型中的所有参数都在同一个设备上，则可以使用next(model.parameters()).device。

我的解决方案，在99%的情况下有效。

class Net(nn.Module):
  def __init__()
    super().__init__()
    self.dummy_param = nn.Parameter(torch.empty(0))

  def forward(x):
    device = self.dummy_param.device
    ... etc

此后，dummy_param将始终与模块Net具有相同的设备，因此您可以随时获取它。例如：

net = Net()
net.dummy_param.device

'cpu'

net = net.to('cuda')
net.dummy_param.device

'cuda:0'

@Duane的答案在模型中创建了一个参数（尽管是一个小Tensor）。
我觉得这个答案稍微有点蟒和雅：

class Model(nn.Module):
    def __init__(self, *args,**kwargs):
        super().__init__()
        self.device = torch.device('cpu') # device parameter not defined by default for modules

    def _apply(self, fn):
        # https://stackoverflow.com/questions/54706146/moving-member-tensors-with-module-to-in-pytorch
        # override apply by moving the attribute device of the class object as well.
        # This allows to directly know where the class is when creating new attribute for the class object.
        super()._apply(fn)
        self.device = fn(self.device)
        return self

net.cuda()、net.float()等都将同样工作，因为它们都调用_apply而不是to（如在the source中所见）。
来自@Kani的评论的替代解决方案（接受的答案）也非常优雅：

class Model(nn.Module):
    def __init__(self, *args,**kwargs):
        """
        Constructor for Neural Network.
        """
        super().__init__()

    @property
    def device(self):
        return next(self.parameters()).device

对于参数，您通过model.device访问设备。当模型中没有参数时，此解决方案不起作用。

您可以使用next(model.parameters()).device。