1. torch.cat(data, axis) # data表示输入的数据, axis表示进行串接的维度

t = Test()
t.num = 50
print(t.num)


a = torch.tensor([[1, 1]])
b = torch.tensor([[2, 2]])
x = []
x.append(a) # 维度是[1, 1, 2]
x.append(b) # 维度是[2, 1, 2]

c = torch.cat(x, 0) # 将维度进行串接
print(c.data.numpy().shape)

2. torch.backend.cudnn.benchmark (进行优化加速) 如果每次输入都是相同的时候，因为需要搜索计算卷积的最佳方式 ,所以在保证维度不变的情况下，可以持续使用最优的计算方法 

  if opt.preprocess != 'scale_width':  # 如果是规则输入的话，最后的输入值数量可能低于一个batch_size 
            torch.backends.cudnn.benckmark = True

3. torch.nn.DataParallel (使用多块GPU进行网络的训练)

  if len(gpu_ids) > 0:
        assert(torch.cuda.is_available())
        net.to(gpu_ids[0])
        net = torch.nn.DataParallel(net, gpu_ids)  #gpu_id = [0, 1, 2, 3]