测试代码：
import time
import torch
from loguru import logger
device = 'cuda'
batch_size = 1000
image_channel = 3
image_size = 224
count = int(100000/batch_size)
logger.debug(f'筹备输出数据')
input_data = torch.randn(batch_size, image_channel, image_size, image_size)
total_bytes = input_data.numel() * input_data.element_size()
print('total_MB', total_bytes/1024/1024)
logger.debug(f'开始计数')
started_at = time.time()
for i in range(count):
input_data_with_cuda = input_data.to(device)
ended_at = time.time()
print('pay time', ended_at-started_at)测试在不同平台下的运行速度，因为这个必定和内存速度、显存带宽、显存速度等等都有关系
测试平台一：intel Xeon E5-2690 CPU + tesla-m60 GPU
CPU: Intel Xeon E5-2690
RAM: DDR4 2400 MHz
GPU: NVIDIA Tesla M60
运行后果
2023-03-15 07:18:28.542 | DEBUG | __main__:<module>:15 - 筹备输出数据
total_MB 574.21875
2023-03-15 07:18:29.688 | DEBUG | __main__:<module>:23 - 开始计数
pay time 12.158783435821533测试平台二：Intel(R) Xeon(R) Gold 5218 CPU @ 2.30GHz + tesla-T4 GPU
CPU: Intel(R) Xeon(R) Gold 5218 CPU @ 2.30GHz
RAM: DDR4 3200 MHz
GPU: NVIDIA Tesla T4
运行后果
2023-03-15 15:38:21.722 | DEBUG | __main__:<module>:15 - 筹备输出数据
total_MB 574.21875
2023-03-15 15:38:22.766 | DEBUG | __main__:<module>:23 - 开始计数
pay time 13.845425367355347测试平台三：Macbook pro13 Apple Silicon M1 8core CPU 8core GPU
运行后果
2023-03-15 15:39:53.084 | DEBUG | __main__:<module>:15 - 筹备输出数据
total_MB 574.21875
2023-03-15 15:39:54.708 | DEBUG | __main__:<module>:23 - 开始计数
pay time 4.494465112686157