PyTorch使用教程(11)-cuda的使用方法

深图智能

于 2025-01-19 16:03:41 发布

阅读量2k

点赞数 19

分类专栏：深度学习教程文章标签：深度学习 pytorch python 人工智能

本文链接：https://blog.csdn.net/evm_doc/article/details/145243777

版权

深度学习教程专栏收录该内容

17 篇文章

订阅专栏

1. 基本概念

CUDA（Compute Unified Device Architecture）是NVIDIA开发的一种并行计算平台和编程模型，专为图形处理器（GPU）设计，旨在加速科学计算、工程计算和机器学习等领域的高性能计算任务。CUDA允许开发人员使用GPU进行通用计算（也称为GPGPU，General-Purpose computing on Graphics Processing Units）。
在这里插入图片描述

2.Torch与CUDA

Torch是一个流行的深度学习库，由PyTorch开发团队创建，主要用于Python编程环境。当Torch结合CUDA时，它可以显著提升训练深度神经网络的速度。通过将数据和计算转移到GPU上，利用GPU的大量并行核心处理大量矩阵运算，实现对大规模数据集的高效处理。

3. 核心功能

（1）、torch.cuda.device
torch.cuda.device是一个上下文管理器，用于更改所选设备。它允许你在代码块内指定张量或模型应在哪个GPU上创建或执行。

（2）、 torch.cuda.is_available
torch.cuda.is_available()函数用于检查CUDA是否可用。如果系统中安装了NVIDIA的显卡驱动和CUDA工具包，并且PyTorch版本支持CUDA，那么该函数将返回True。

（3）、torch.device
torch.device是一个对象，表示张量可以存放的设备。它可以是CPU或某个GPU。通过指定torch.device(“cuda”)，你告诉PyTorch你希望在一个支持CUDA的NVIDIA GPU上执行张量运算。如果有多个GPU，可以通过指定GPU的索引来选择其中一个，例如torch.device(“cuda:0”)表示第一个GPU，torch.device(“cuda:1”)表示第二个GPU，依此类推。

（4）、张量移动
在PyTorch中，你可以使用.to(‘cuda’)或.cuda()函数将张量（Tensor）从CPU移动到GPU。同样，你也可以使用这些方法将模型参数和优化器移动到GPU上。

4.功能示例

（1）、检查CUDA是否可用

import torch

if torch.cuda.is_available():
    print("CUDA is available. Number of GPUs:", torch.cuda.device_count())
else:
    print("CUDA is not available.")

（2）、创建张量并移动到GPU

import torch

# 在CPU上创建一个张量
x = torch.randn(3, 3)

# 检查CUDA是否可用
if torch.cuda.is_available():
    # 将张量移动到GPU
    device = torch.device("cuda")
    x_gpu = x.to(device)
    print(x_gpu)  # 这将显示张量的设备为 "cuda:0"

    # 直接在GPU上创建另一个张量
    y = torch.randn(3, 3, device=device)
    z = x_gpu + y  # 这个加法操作在GPU上执行
    print(z)

（3）、在不同GPU上创建和操作张量

import torch

# 在默认GPU上创建一个张量
x = torch.cuda.FloatTensor(1)
print("x.get_device() ==", x.get_device())  # 输出 0

# 在GPU 1上创建一个张量
with torch.cuda.device(1):
    a = torch.cuda.FloatTensor(1)
    print("a.get_device() ==", a.get_device())  # 输出 1
    
    # 将CPU张量转移到GPU 1
    b = torch.FloatTensor(1).cuda()
    print("b.get_device() ==", b.get_device())  # 输出 1
    
    c = a + b
    print("c.get_device() ==", c.get_device())  # 输出 1

# 在GPU 0上的张量操作
z = x + x  # 仍然在GPU 0上
print("z.get_device() ==", z.get_device())  # 输出 0

# 在特定GPU上创建张量
d = torch.randn(2).cuda(2)
print("d.get_device() ==", d.get_device())  # 输出 2

（4）、将模型和优化器移动到GPU

import torch
import torch.nn as nn
import torch.optim as optim

# 创建一个简单的神经网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(3, 2)
        self.fc2 = nn.Linear(2, 1)
    
    def forward(self, x):
        x = self.fc1(x)
        x = self.fc2(x)
        return x

net = Net()

# 检查CUDA是否可用
if torch.cuda.is_available():
    # 将模型参数和优化器移动到GPU
    device = torch.device("cuda")
    net = net.to(device)
    print(net)
    optimizer = optim.SGD(net.parameters(), lr=0.01)
    optimizer = optimizer.to(device)  # 注意：优化器通常不需要显式移动到GPU

# 创建一些假数据并移动到GPU
inputs = torch.randn(20, 3).to(device)
targets = torch.randint(0, 2, (20,)).to(device)

# 定义损失函数
criterion = nn.CrossEntropyLoss()

# 训练模型
net.train()
for epoch in range(5):
    optimizer.zero_grad()
    outputs = net(inputs)
    loss = criterion(outputs, targets)
    loss.backward()
    optimizer.step()
    print(f'Epoch {epoch+1}, Loss: {loss.item()}')

5. 使用注意事项

（1）、GPU内存限制
显卡的内存是有限的，如果模型或数据过大，可能会导致内存不足的问题。可以通过减小批量大小、使用更小的模型或者使用分布式训练等方式来解决。

（2）、数据类型匹配
在使用CUDA加速时，需要确保模型和数据的数据类型匹配。通常情况下，模型和数据都应该使用torch.cuda.FloatTensor类型。

（3）、CUDA版本和驱动兼容性
确保安装了适用于CUDA的PyTorch版本以及相应版本的NVIDIA显卡驱动。不同版本的CUDA和PyTorch之间可能存在兼容性问题。

（4）、避免跨GPU操作
默认情况下，PyTorch不支持跨GPU操作。如果需要对分布在不同设备上的张量进行操作，需要显式地进行数据传输，这可能会引入额外的开销。

（5）、异步数据传输
为了将数据传输与计算重叠，可以使用异步的GPU副本。只需在调用cuda()时传递一个额外的async=True参数。此外，通过将pin_memory=True传递给DataLoader的构造函数，可以使DataLoader将batch返回到固定内存中，从而加快主机到GPU的复制速度。

（6）、多GPU训练
对于多GPU训练，PyTorch提供了nn.DataParallel等工具和函数来简化这一过程。然而，在使用多进程进行CUDA模型训练时需要注意线程安全和资源竞争等问题。

6、小结

torch.cuda是PyTorch中用于在NVIDIA GPU上进行加速计算的重要模块。通过合理利用CUDA的并行计算能力，可以显著提升深度学习模型的训练和推理速度。然而，在使用CUDA时也需要注意一些细节和限制，以确保程序的正确性和性能。通过本文的介绍和示例代码，希望读者能够更好地理解和使用torch.cuda进行深度学习开发。