@PeterJulian首先感谢您的回复。据我所知，没有单行命令可以将整个数据集加载到GPU。实际上，在我的回复中，我的意思是在数据加载器的__init__中使用.to（设备）。在我之前分享的链接中有一些示例。另外，我在下面留下了一个示例数据加载器代码。希望链接中的示例和下面的代码都能有所帮助。

class SampleDataset(Dataset):
    def __init__(self, device='cuda'):
        super(SampleDataset, self).__init__()
        self.data = torch.ones(1000)
        self.data = self.data.to(device)
    
    def __len__(self):
        return len(self.data)

    def __getitem__(self, i):
        element = self.data[i]
        return element

你可以加载所有的数据到Tensor比移动它yo GPU内存。（假设你有足够的内存）当你需要它使用Tensor内的一个已经在GPU内存。希望它有帮助。

对于许多深度学习问题，您不能直接将训练数据加载到Tensor中。在使用其他免费多处理器进行训练时，您需要使用DataLoader生成新的增强数据。
这就是DataLoader的优势。通过策略性地设置转换参数，您的训练数据在每个时期都略有不同，有助于正则化。
当然，如果不需要在训练时进行全面的数据扩增，并且您有足够的内存将整个静态训练数据作为一个Tensor对象加载，那么这肯定会解决您的问题。
只需设置tensorObject.to（设备），但您将失去数据加载程序的优势。