Pytorch 使用GPU训练

使用 GPU 训练只需要在原来的代码中修改几处就可以了。

我们有两种方式实现代码在 GPU 上进行训练

## 方法一 .cuda()

我们可以通过对网络模型，数据，损失函数这三种变量调用 .cuda() 来在GPU上进行训练

# 将网络模型在gpu上训练
model = Model()
model = model.cuda()# 损失函数在gpu上训练
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.cuda()# 数据在gpu上训练
for data in dataloader:                        imgs, targets = dataimgs = imgs.cuda()targets = targets.cuda()

但是如果电脑没有 GPU 就会报错，更好的写法是先判断 cuda 是否可用：

# 将网络模型在gpu上训练
model = Model()
if torch.cuda.is_available():model = model.cuda()# 损失函数在gpu上训练
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():   loss_fn = loss_fn.cuda()# 数据在gpu上训练
for data in dataloader:                        imgs, targets = dataif torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()

代码案例：

# 以 CIFAR10 数据集为例，展示一下完整的模型训练套路，完成对数据集的分类问题import torch
import torchvisionfrom torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 获得数据集的长度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)# 格式化字符串, format() 中的数据会替换 {}
print("训练数据集及的长度为: {}".format(train_data_size))
print("测试数据集及的长度为: {}".format(test_data_size))# 利用DataLoader 来加载数据
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)# 创建网络模型
class Model(nn.Module):def __init__(self) -> None:super().__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, input):input = self.model(input)return inputmodel = Model()
if torch.cuda.is_available():model = model.cuda()                        # 在 GPU 上进行训练# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():loss_fn = loss_fn.cuda()                    # 在 GPU 上进行训练# 优化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)# 设置训练网络的一些参数
total_train_step = 0                        # 记录训练的次数
total_test_step = 0                         # 记录测试的次数
epoch = 10                                  # 训练的轮数# 添加tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 开始训练的时间
for i in range(epoch):print("------第 {} 轮训练开始------".format(i+1))# 训练步骤开始for data in train_dataloader:imgs, targets = dataif torch.cuda.is_available():imgs = imgs.cuda()targets = targets.cuda()            # 在gpu上训练outputs = model(imgs)               # 将训练的数据放入loss = loss_fn(outputs, targets)    # 得到损失值optimizer.zero_grad()               # 优化过程中首先要使用优化器进行梯度清零loss.backward()                     # 调用得到的损失，利用反向传播，得到每一个参数节点的梯度optimizer.step()                    # 对参数进行优化total_train_step += 1               # 上面就是进行了一次训练，训练次数 +1# 只有训练步骤是100 倍数的时候才打印数据，可以减少一些没有用的数据，方便我们找到其他数据if total_train_step % 100 == 0:end_time = time.time()          # 训练结束时间print("训练时间: {}".format(end_time - start_time))print("训练次数: {}, Loss: {}".format(total_train_step, loss))writer.add_scalar("train_loss", loss.item(), total_train_step)# 如何知道模型有没有训练好，即有咩有达到自己想要的需求# 我们可以在每次训练完一轮后，进行一次测试，在测试数据集上跑一遍，以测试数据集上的损失或正确率评估我们的模型有没有训练好# 顾名思义，下面的代码没有梯度，即我们不会利用进行调优total_test_loss = 0total_accuracy = 0                                      # 准确率with torch.no_grad():for data in test_dataloader:                        # 测试数据集中取数据imgs, targets = dataif torch.cuda.is_available():imgs = imgs.cuda()                          # 在 GPU 上进行训练targets = targets.cuda()outputs = model(imgs)loss = loss_fn(outputs, targets)                # 这里的 loss 只是一部分数据(data) 在网络模型上的损失total_test_loss = total_test_loss + loss        # 整个测试集的lossaccuracy = (outputs.argmax(1) == targets).sum() # 分类正确个数total_accuracy += accuracy                      # 相加print("整体测试集上的loss: {}".format(total_test_loss))print("整体测试集上的正确率: {}".format(total_accuracy / test_data_size))writer.add_scalar("test_loss", total_test_loss)writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)total_test_loss += 1                                    # 测试完了之后要 +1torch.save(model, "model_{}.pth".format(i))print("模型已保存")writer.close()

方法二 .to(device)

指定训练的设备

device = torch.device("cpu")  # 使用cpu训练
device = torch.device("cuda")    # 使用gpu训练
device = torch.device("cuda:0")  # 当电脑中有多张显卡时，使用第一张显卡
device = torch.device("cuda:1")  # 当电脑中有多张显卡时，使用第二张显卡device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

使用 GPU 训练

model = model.to(device)loss_fn = loss_fn.to(device)for data in train_dataloader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)

代码示例：

# 以 CIFAR10 数据集为例，展示一下完整的模型训练套路，完成对数据集的分类问题import torch
import torchvisionfrom torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time# 定义训练的设备
device = torch.device("cuda")# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)# 获得数据集的长度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)# 格式化字符串, format() 中的数据会替换 {}
print("训练数据集及的长度为: {}".format(train_data_size))
print("测试数据集及的长度为: {}".format(test_data_size))# 利用DataLoader 来加载数据
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)# 创建网络模型
class Model(nn.Module):def __init__(self) -> None:super().__init__()self.model = nn.Sequential(nn.Conv2d(3, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 32, 5, 1, 2),nn.MaxPool2d(2),nn.Conv2d(32, 64, 5, 1, 2),nn.MaxPool2d(2),nn.Flatten(),nn.Linear(64*4*4, 64),nn.Linear(64, 10))def forward(self, input):input = self.model(input)return inputmodel = Model()
model = model.to(device)                    # 在 GPU 上进行训练# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)                # 在 GPU 上进行训练# 优化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)# 设置训练网络的一些参数
total_train_step = 0                        # 记录训练的次数
total_test_step = 0                         # 记录测试的次数
epoch = 10                                  # 训练的轮数# 添加tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 开始训练的时间
for i in range(epoch):print("------第 {} 轮训练开始------".format(i+1))# 训练步骤开始for data in train_dataloader:imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = model(imgs)               # 将训练的数据放入loss = loss_fn(outputs, targets)    # 得到损失值optimizer.zero_grad()               # 优化过程中首先要使用优化器进行梯度清零loss.backward()                     # 调用得到的损失，利用反向传播，得到每一个参数节点的梯度optimizer.step()                    # 对参数进行优化total_train_step += 1               # 上面就是进行了一次训练，训练次数 +1# 只有训练步骤是100 倍数的时候才打印数据，可以减少一些没有用的数据，方便我们找到其他数据if total_train_step % 100 == 0:end_time = time.time()          # 训练结束时间print("训练时间: {}".format(end_time - start_time))print("训练次数: {}, Loss: {}".format(total_train_step, loss))writer.add_scalar("train_loss", loss.item(), total_train_step)# 如何知道模型有没有训练好，即有咩有达到自己想要的需求# 我们可以在每次训练完一轮后，进行一次测试，在测试数据集上跑一遍，以测试数据集上的损失或正确率评估我们的模型有没有训练好# 顾名思义，下面的代码没有梯度，即我们不会利用进行调优total_test_loss = 0total_accuracy = 0                                      # 准确率with torch.no_grad():for data in test_dataloader:                        # 测试数据集中取数据imgs, targets = dataimgs = imgs.to(device)targets = targets.to(device)outputs = model(imgs)loss = loss_fn(outputs, targets)                # 这里的 loss 只是一部分数据(data) 在网络模型上的损失total_test_loss = total_test_loss + loss        # 整个测试集的lossaccuracy = (outputs.argmax(1) == targets).sum() # 分类正确个数total_accuracy += accuracy                      # 相加print("整体测试集上的loss: {}".format(total_test_loss))print("整体测试集上的正确率: {}".format(total_accuracy / test_data_size))writer.add_scalar("test_loss", total_test_loss)writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)total_test_loss += 1                                    # 测试完了之后要 +1torch.save(model, "model_{}.pth".format(i))print("模型已保存")writer.close()

【注】对于网络模型和损失函数，直接调用 .cuda() 或者 .to() 即可。但是数据和标注需要返回变量

为了方便记忆，最好都返回变量

使用Google colab进行训练

PyTorch 使用GPU训练相关推荐

pytorch 多GPU训练总结（DataParallel的使用）
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/weixin_40087578/arti ...
pytorch 多GPU训练
pytorch 多GPU训练 pytorch多GPU最终还是没搞通,可用的部分是前向计算,back propagation会出错,当时运行通过,也不太确定是如何通过了的.目前是这样,有机会再来补充 p ...
pytorch指定GPU训练
主要讲单机多卡(单主机多GPUs训练) 使用多卡训练的方式有很多,当然前提是我们的设备中存在多个GPU:使用命令nvidia-smi查看当前Ubuntu平台的GPU数量,其中每个GPU被编上了序号:[ ...
pytorch多GPU训练实例与性能对比
以下实验是我在百度公司实习的时候做的,记录下来留个小经验. 多GPU训练 cifar10_97.23 使用 run.sh 文件开始训练 cifar10_97.50 使用 run.4GPU.sh 开始训 ...
pytorch 解决gpu训练只占一块卡
一:可以为不同的GPU分配不同的batch_size: 本文主要解决pytorch在进行模型训练时出现GPU的0卡占用显存比其他卡要多的问题. 出现0卡显存更高的原因:网络在反向传播的时候,计算los ...
【Pytorch神经网络实战案例】01 CIFAR-10数据集：Pytorch使用GPU训练CNN模版-方法①
import torch import torchvision from torch import nn from torch.utils.tensorboard import SummaryWrit ...
【Pytorch神经网络实战案例】02 CIFAR-10数据集：Pytorch使用GPU训练CNN模版-方法②
import torch import torchvision from torch import nn from torch.utils.tensorboard import SummaryWrit ...
pytorch——多GPU训练，CPU测试出现的问题
我在训练模型的时候使用了nn.DataParallel,并在在服务器gpu测试也同时将训练好的模型并行载入,这样没有问题,但是我将训练好的模型在本地cpu运行的时候出错.这里记录出错的地方,并记录大致 ...
【Pytorch神经网络实战案例】03 CIFAR-10数据集：Pytorch使用GPU训练CNN模版-测试方法
import torch import torchvision from PIL import Image from torch import nnimage_path="./test_im ...

PyTorch 使用GPU训练

Pytorch 使用GPU训练

方法二 .to(device)

使用Google colab进行训练

PyTorch 使用GPU训练相关推荐

最新文章

热门文章