在Torch中實現多GPU訓練可以通過使用nn.DataParallel模塊來實現。nn.DataParallel模塊可以將模型復制到多個GPU上，并自動將數據分發到每個GPU上進行計算，并最終將結果進行合并。以下是一個簡單示例：

import torch
import torch.nn as nn

# 定義模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 1)
    
    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

model = Model()

# 檢查是否有多個GPU可用
if torch.cuda.device_count() > 1:
    model = nn.DataParallel(model)

# 將模型加載到GPU
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = model.to(device)

# 定義優化器和損失函數
optimizer = torch.optim.SGD(model.parameters(), lr=0.001)
criterion = nn.MSELoss()

# 訓練模型
for epoch in range(num_epochs):
    for inputs, targets in dataloader:
        inputs, targets = inputs.to(device), targets.to(device)
        
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

在上面的示例中，首先檢查是否有多個GPU可用，如果有，則將模型放入nn.DataParallel中。然后將模型加載到GPU上進行訓練。在訓練過程中，數據會自動分發到每個GPU上，并在多個GPU上并行計算，從而加快訓練速度。