pytorch 自定义forward loss运算cpu占用高 在gpu上加速

直接在gpu上定义tensor而减少cpu到gpu的copy!!!

问题

为了实现复杂的网络结构和损失函数,自定义forward和loss的计算,发现cpu占用很高,挂了几个训练就占满了所有cpu。
把运算都用.to(device)放到gpu上运算,发现还是cpu占用高,并且有更慢的趋势。用性能分析工具分析发现是aten::_to_copy aten::copy_cpu占用时间率高。

分析

为了验证是使用了.to(device)导致的,编写了程序,对比.to('cuda')和直接定义torch.tensor([],device='cuda'),发现torch.tensor([],device='cuda')时gpu利用率接近100%,而.to('cuda')gpu利用率还不到20%。

结论

直接在gpu上定义变量torch.tensor([],device='cuda')

  • 3
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
使用PyTorch框架进行多GPU加速非常简单,只需要遵循以下步骤: 1. 导入必要的PyTorch库 ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader ``` 2. 定义模型 ```python class MyModel(nn.Module): def __init__(self): super(MyModel, self).__init__() self.fc1 = nn.Linear(784, 512) self.fc2 = nn.Linear(512, 10) self.relu = nn.ReLU() def forward(self, x): x = self.fc1(x) x = self.relu(x) x = self.fc2(x) return x model = MyModel() ``` 3. 定义数据集 ```python train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True) test_dataset = torchvision.datasets.MNIST(root='./data', train=False, transform=transforms.ToTensor(), download=True) train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True, num_workers=2) test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False, num_workers=2) ``` 4. 设置GPU设备 ```python device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") print(device) ``` 5. 将模型放到GPU上 ```python model = model.to(device) ``` 6. 定义损失函数和优化器 ```python criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` 7. 训练模型 ```python for epoch in range(10): running_loss = 0.0 for i, data in enumerate(train_loader, 0): inputs, labels = data inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() if i % 100 == 99: print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 100)) running_loss = 0.0 ``` 8. 在测试集上测试模型 ```python correct = 0 total = 0 with torch.no_grad(): for data in test_loader: images, labels = data images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() print('Accuracy of the network on the 10000 test images: %d %%' % (100 * correct / total)) ``` 可以看到,只需要在适当的地方添加一些代码,就可以轻松地将PyTorch模型放在多个GPU上进行加速运算
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值