PyTorch运行报addmm错误：CPU张量期望在GPU上该如何解决

核心报错原因 #

PyTorch中张量的.to()方法不是原地操作，不会修改原张量，只会返回移动到目标设备的新张量。你代码中test函数内的test_data.to(device)没有接收返回值，执行后test_data仍然留在CPU上，而你的模型已经提前移动到GPU，前向传播时模型参数和输入张量设备不匹配，触发了设备不匹配的报错。

修复方法 #

将test函数内的对应行修改为：

test_data = test_data.to(device)

同时可以优化训练阶段的target构造逻辑，避免多余的设备迁移操作，将训练阶段的target构造代码：

target = torch.Tensor(target)
target = target.to(device)

替换为：

target = torch.tensor([target], device=device)

显式指定张量形状与设备，避免广播过程中出现隐性问题。

其他可优化点 #

• 当前训练每轮仅输入1个样本，batch size为1，模型收敛速度极慢，建议改为批量生成数据（如一次生成1024个样本）同时训练，收敛效率会大幅提升。
• 仅100轮训练迭代次数不足，该任务建议至少训练5000轮以上才能得到可用的预测精度。
• 你当前选择的SGD学习率0.1偏大，可调整为0.01减少训练过程中的损失抖动。

内容的提问来源于stack exchange，提问作者Laurids