pytorch学习笔记13-利用GPU训练

ThreeS_tones

已于 2023-02-02 18:16:53 修改

阅读量1.7k

点赞数 3

分类专栏： PyTorch深度学习快速入门教程学习笔记文章标签： pytorch 学习深度学习

于 2023-02-02 13:15:19 首次发布

本文链接：https://blog.csdn.net/ThreeS_tones/article/details/128847091

版权

PyTorch深度学习快速入门教程学习笔记专栏收录该内容

15 篇文章 3 订阅

订阅专栏

GPU训练方式1

方式1如何操作

找到神经网络模型、数据（包括输入、标签等）和损失函数，调用他们的.cuda()，然后再返回就可以了。
对网络模型用cuda()：

# ...
model = Model()
if torch.cuda.is_available():
    model = model.cuda()
# ...

对损失函数：

# ...
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# ...

对数据：
训练集

# ...
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = model(imgs)
        # ...

测试集

# ...
    with torch.no_grad():
        for data in test_dataloader:
            imgs, tartgets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = model(imgs)
# ...

设定时间，比较用两种方式的时间差：

import time
start_time = time.time()
# ......
end_time = time.time()
print(end_time - start_time)

完整代码

from torch.utils.tensorboard import SummaryWriter
import time
import torch
# from model import *
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)
writer = SummaryWriter("P27_train")
# 查看数据集大小
train_data_size = len(train_data)
test_data_size = len(test_data)

print("训练集的长度为:{}".format(train_data_size))
print("测试集的长度为:{}".format(test_data_size))

# 用dataloader加载数据集
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):
        super(Model, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),  # 输入通道3，输出通道32，卷积核大小5*5，步长为1，填充2（根据公式计算）
            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(),   # 展平后变成64*64*4了
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x


model = Model()
if torch.cuda.is_available():
    model = model.cuda()    # 把模型转移到GPU上

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()     # 交叉熵，fn是function缩写
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)   # 随机梯度下降优化器

# 设置训练网络的参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 设置训练的轮数
epoch = 10

start_time = time.time()
for i in range(epoch):
    print("--------------第 {} 轮训练开始---------------".format(i+1))

    # 训练步骤
    model.train()
    for data in train_dataloader:
        imgs, targets = data

        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()

        outputs = model(imgs)
        loss = loss_fn(outputs, targets)    # 计算实际输出与目标输出的差距

        # 优化器优化模型
        optimizer.zero_grad()   # 梯度清零
        loss.backward()     # 反向传播，计算参数对损失函数的梯度
        optimizer.step()    # 根据梯度，对网络的参数进行调优

        total_train_step += 1
        # 使用item()函数取出的元素值的精度更高，所以在求损失函数时一般用item（）
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            print("训练次数: {}, Loss: {} ".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始，每轮训练后都查看在测试集上的Loss情况
    model.eval()
    # 以测试集上的损失或者正确率来判断模型是否训练的好
    # 验证集与测试集不一样的，验证集是在训练中用的，反正模型过拟合，测试集是在模型完全训练好后使用的
    # 验证集用来调整超参数，相当于真题，测试集是考试
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, tartgets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()     # 横向设为1
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的准确率:{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)

    total_test_step += 1

    torch.save(model, "model_{}.pth".format(i))     # 保存每轮训练后的模型结构和参数
    print("模型已保存")

writer.close()

结果

使用CPU跑代码：
在这里插入图片描述
显示时间为4.05、8.08

使用GPU跑代码：
在这里插入图片描述

显示时间为3.50、4.55

如果电脑上没有GPU，可以使用Google的colab

可以使用Google colab上的notebook。
在这里插入图片描述
设置使用GPU。

查看cuda可用：

下面就可以将上面的完整代码复制过来执行。

可以看到比我们的电脑要快很多。
使用命令行查看显卡信息（加一个感叹号）。

!nvidia-smi

在这里插入图片描述
15G显卡，Tesla T4，比大多数人的显卡都好了。
据说每周可免费使用30小时。

GPU训练方式2

方式2如何操作

方式2是更加常用的训练方式。
找到神经网络模型、数据（包括输入、标签等）和损失函数，调用他们的.to(device)，然后再返回就可以了（网络模型和损失函数不需要返回，返不返回都可以）。
训练之前定义训练的设备：

# 定义训练的设备
device = torch.device("cpu")
print(device)

对网络模型调用.to()：

model = Model()
model = model.to(device)

对损失函数：

loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

对训练集：

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

对测试集：

    with torch.no_grad():
        for data in test_dataloader:
            imgs, tartgets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = model(imgs)

有单个显卡的话device = torch.device("cuda:0")与device = torch.device("cuda")没有差别。
有多个显卡可以指定显卡1和显卡2：device = torch.device("cuda：1")或device = torch.device("cuda：2")
为了适应各种环境，定义训练设备时更常见的写法是：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

完整代码

from torch.utils.tensorboard import SummaryWriter
import time
import torch
# from model import *
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)
writer = SummaryWriter("P27_train")

# 定义训练的设备
device = torch.device("cpu")
print(device)
# 查看数据集大小
train_data_size = len(train_data)
test_data_size = len(test_data)

print("训练集的长度为:{}".format(train_data_size))
print("测试集的长度为:{}".format(test_data_size))

# 用dataloader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64, drop_last=True)
test_dataloader = DataLoader(test_data, batch_size=64, drop_last=True)


# 创建网络模型
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__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, x):
        x = self.model(x)
        return x


model = Model()
model = model.to(device)

# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)

# 设置训练网络的参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 设置训练的轮数
epoch = 10

start_time = time.time()
for i in range(epoch):
    print("--------------第 {} 轮训练开始---------------".format(i+1))

    # 训练步骤
    model.train()
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = model(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step += 1
        # 使用item()函数取出的元素值的精度更高，所以在求损失函数时一般用item（）
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            print("训练次数: {}, Loss: {} ".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    model.eval()
    # 以测试集上的损失或者正确率来判断模型是否训练的好
    # 验证集与测试集不一样的，验证集是在训练中用的，反正模型过拟合，测试集是在模型完全训练好后使用的
    # 验证集用来调整超参数，相当于真题，测试集是考试
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, tartgets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss += loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()     # 横向设为1
            total_accuracy += accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的准确率:{}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)

    total_test_step += 1

    torch.save(model, "model_{}.pth".format(i))
    print("模型已保存")

writer.close()