李沐图像增广代码怎么改用单GPU运行

BanLisen

已于 2023-06-26 10:54:40 修改

阅读量345

点赞数 2

文章标签：深度学习 python pytorch pycharm

于 2023-06-23 11:23:02 首次发布

本文链接：https://blog.csdn.net/BanLisen/article/details/131348766

版权

这篇文章是我在学习李沐《动手学深度学习》pytorch版“图像增广”的笔记。

本节代码是在图像增广课程原代码上的改动。因为原代码适用于多GPU运行，在单GPU也可以运行。因为：

train_batch_ch13 和 train_ch13 函数中使用了 PyTorch 的 nn.DataParallel 类，该类可以自动将模型在多个GPU上并行计算。在单个GPU的电脑上，nn.DataParallel 会将模型放在唯一可用的GPU上运行，实现单GPU的训练。
try_all_gpus 函数在单个GPU的电脑上返回一个只包含一个GPU设备的列表。因此，在单个GPU的情况下，模型会被放置在这个唯一的GPU上进行训练。
如果没有可用的GPU设备，PyTorch 会自动使用CPU来运行代码。在单个GPU的电脑上，如果没有配置使用GPU，则代码会自动在CPU上执行。

总之，该代码具备了在多GPU和单GPU环境下运行的灵活性，能够根据可用的设备进行自动配置和适应。在单个GPU的电脑上，代码会自动将模型放在唯一可用的GPU上进行训练，或者在没有GPU的情况下在CPU上运行。这种灵活性使得代码能够在不同的计算环境中运行，并且无需手动调整。

如果你仍然想对原代码进行改动，直接适配单GPU运行，那么以下是对改动部分的说明：

定义device变量。需要在代码中添加device变量的定义，并将其设置为字符串'cuda:0'，以表示使用第一个GPU设备。

移除devices变量的定义和传递。由于只使用一个GPU，不再需要使用try_all_gpus()函数来获取所有可用的GPU设备。
修改train_batch_ch13函数和train_ch13函数中将数据移动到GPU的方式。使用.to(device)将张量移动到指定的GPU设备。
在train_with_data_aug函数中，将train_ch13函数的devices参数更改为单个GPU设备的标识符，例如device='cuda:0'，表示使用第一个GPU设备。

以下是我在原代码基础上改动的适用于单GPU运行的代码（仅供参考）：

import torch
import torchvision
import matplotlib.pyplot as plt
from torch import nn
from d2l import torch as d2l

"""
常用的图像增广方法:
def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]
    d2l.show_images(Y, num_rows, num_cols, scale=scale)
    (img表示输入的图像，aug表示要应用的数据增强算法，num_rows和num_cols表示显示图像的行数和列数，scale表示图像的缩放比例)
1.上下翻转图像
apply(img, torchvision.transforms.RandomHorizontalFlip())
2.随机裁剪
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)
3.随机更改图像的亮度
apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))
4.随机更改图像的色调
apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))
5.随机更改图像的亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）
color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
apply(img, color_aug)
6.结合多种图像增广方法
  通过使用一个Compose实例来综合上面定义的不同的图像增广方法，并将它们应用到每个图像。
augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)
- torchvision.transforms.RandomHorizontalFlip() 是对图像进行随机水平翻转的操作；
- color_aug 和 shape_aug 是自定义的颜色变换和形状变换操作，可以根据实际需求进行修改；
- torchvision.transforms.Compose() 是将多个数据增强操作组合起来的函数。
"""

all_images = torchvision.datasets.CIFAR10(train=True, root="../data",
                                          download=True)
d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

train_augs = torchvision.transforms.Compose([
     torchvision.transforms.RandomHorizontalFlip(),
     torchvision.transforms.ToTensor()])
# 通过 `torchvision.transforms.RandomHorizontalFlip()` 可以在训练时随机水平翻转图像，增加数据多样性
# 通过 `torchvision.transforms.ToTensor()` 可以将图像转换为 PyTorch 的张量格式，
# 即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0～1。

test_augs = torchvision.transforms.Compose([
     torchvision.transforms.ToTensor()])

# 定义一个辅助函数，以便于读取图像和应用图像增广
def load_cifar10(is_train, augs, batch_size):
    dataset = torchvision.datasets.CIFAR10(root="../data", train=is_train,
                                           transform=augs, download=True)
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                    shuffle=is_train, num_workers=d2l.get_dataloader_workers())
    return dataloader

#@save
def train_batch_ch13_single_gpu(net, X, y, loss, trainer, device):
    """用单个GPU进行小批量训练"""
    X = X.to(device)
    y = y.to(device)
    net.train()
    trainer.zero_grad()
    pred = net(X)
    l = loss(pred, y)
    l.sum().backward()
    trainer.step()
    train_loss_sum = l.sum()
    train_acc_sum = d2l.accuracy(pred, y)
    return train_loss_sum, train_acc_sum

#@save
def train_ch13_single_gpu(net, train_iter, test_iter, loss, trainer, num_epochs,
               device=d2l.try_gpu()):
    """用单GPU进行模型训练"""
    timer, num_batches = d2l.Timer(), len(train_iter)
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
                            legend=['train loss', 'train acc', 'test acc'])
    net.to(device)
    for epoch in range(num_epochs):
        # 4个维度：储存训练损失，训练准确度，实例数，特点数
        metric = d2l.Accumulator(4)
        for i, (features, labels) in enumerate(train_iter):
            timer.start()
            features, labels = features.to(device), labels.to(device)
            l, acc = train_batch_ch13_single_gpu(
                net, features, labels, loss, trainer, device)
            metric.add(l, acc, labels.shape[0], labels.numel())
            timer.stop()
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (metric[0] / metric[2], metric[1] / metric[3],
                              None))
        test_acc = d2l.evaluate_accuracy_gpu(net, test_iter, device)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {metric[0] / metric[2]:.3f}, train acc '
          f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
          f'{device}')


batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)

def init_weights(m):
    if type(m) in [nn.Linear, nn.Conv2d]:
        nn.init.xavier_uniform_(m.weight)

net.apply(init_weights)

def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
    train_iter = load_cifar10(True, train_augs, batch_size)
    test_iter = load_cifar10(False, test_augs, batch_size)
    loss = nn.CrossEntropyLoss(reduction="none")
    trainer = torch.optim.Adam(net.parameters(), lr=lr)
    # train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

    train_ch13_single_gpu(net, train_iter, test_iter, loss, trainer, 10, device='cuda:0')
    # 单GPU更改


train_with_data_aug(train_augs, test_augs, net)
plt.pause(0)

主要更改以下三部分：

1.对train_batch_ch13部分的更改

原代码：

更改后：

def train_batch_ch13_single_gpu(net, X, y, loss, trainer, device):
    """用单个GPU进行小批量训练"""
    X = X.to(device)
    y = y.to(device)
    net.train()
    trainer.zero_grad()
    pred = net(X)
    l = loss(pred, y)
    l.sum().backward()
    trainer.step()
    train_loss_sum = l.sum()
    train_acc_sum = d2l.accuracy(pred, y)
    return train_loss_sum, train_acc_sum

2.对train_ch13部分的更改

原代码：

更改后：

def train_ch13_single_gpu(net, train_iter, test_iter, loss, trainer, num_epochs,
               device=d2l.try_gpu()):
    """用单GPU进行模型训练"""
    timer, num_batches = d2l.Timer(), len(train_iter)
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
                            legend=['train loss', 'train acc', 'test acc'])
    net.to(device)
    for epoch in range(num_epochs):
        # 4个维度：储存训练损失，训练准确度，实例数，特点数
        metric = d2l.Accumulator(4)
        for i, (features, labels) in enumerate(train_iter):
            timer.start()
            features, labels = features.to(device), labels.to(device)
            l, acc = train_batch_ch13_single_gpu(
                net, features, labels, loss, trainer, device)
            metric.add(l, acc, labels.shape[0], labels.numel())
            timer.stop()
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (metric[0] / metric[2], metric[1] / metric[3],
                              None))
        test_acc = d2l.evaluate_accuracy_gpu(net, test_iter, device)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {metric[0] / metric[2]:.3f}, train acc '
          f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
          f'{device}')

3. 对train_with_data_aug部分的更改

原代码：

更改后：

def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
    train_iter = load_cifar10(True, train_augs, batch_size)
    test_iter = load_cifar10(False, test_augs, batch_size)
    loss = nn.CrossEntropyLoss(reduction="none")
    trainer = torch.optim.Adam(net.parameters(), lr=lr)
    # train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

    train_ch13_single_gpu(net, train_iter, test_iter, loss, trainer, 10, device='cuda:0')
    # 单GPU更改

4.注意：代码最后的 plt.pause(0) 是matplotlib运行pycharm 动态显示。

（关于d2l库画图在pycharm动态显示的问题可以参考我另一篇博文。）

http://t.csdn.cn/5BIUe