Ubuntu下PyTorch的并行计算能力较强，可通过以下方式实现高效并行计算：
.cuda()将模型和数据转移至GPU，利用GPU的并行计算能力显著提升训练速度。torch.cuda.amp实现自动混合精度，减少内存占用并加速训练。torch.nn.DataParallel或torch.nn.parallel.DistributedDataParallel（DDP）将数据拆分到多个GPU并行处理，DDP更适合多机多卡场景。torch.distributed模块实现多机多卡分布式训练，支持多种后端（如NCCL）。
