pytorch学习（4）数据并行

最新推荐文章于 2024-03-14 14:52:11 发布

lzrrrrr

最新推荐文章于 2024-03-14 14:52:11 发布

阅读量242

点赞数 1

分类专栏： pytorch 文章标签：深度学习 pytorch 神经网络

本文链接：https://blog.csdn.net/lzr_ps/article/details/103843207

版权

本文介绍了如何在PyTorch中利用DataParallel进行模型的数据并行训练，讲解了将模型和张量迁移到GPU以及DataParallel的工作原理。虽然作者目前只有一个GPU，但阐述了在拥有多个GPU的情况下，数据如何被分割并在不同GPU上并行处理，最后展示了简单的代码示例。

摘要由CSDN通过智能技术生成

pytorch学习（4）数据并行

pytorch60分钟教程最后一篇，这次学习如何使用DataParallel来调用多个GPU(然而实验室的GPU我还没用过)
在前面的学习中我们知道用如下方法来使用GPU：
把模型放入GPU中：

device = torch.device("cuda:0")
model.to(device)

把张量放入GPU中：

mytensor = my_tensor.to(device)

而通过 model = nn.DataParallel(model) 我们可以让数据集被分割送入不同的GPU，运行完成后再收集回来。

举个栗子：
先创建一个假数据集：

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# Parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

class RandomDataset(Dataset):

    def __init__(self, size, length):
        self.len = length
        self.data = torch.randn(length, size)

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return self.len

rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
                         batch_size=batch_size, shuffle=True)