# 首先进行模块引入
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
# 定义模型输入输出大小
input_size = 5
output_size = 2
batch_size = 30
data_size = 100
# 设置 device 类型
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 创建虚拟数据集,其中 __getitem__() 和 __len__() 方法是必须的(因为 DataLoader 需要)
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
# 当实例对象运算时,就会自动调用 __getitem__() 方法,__getitem__ 函数的作用使得对象可以使用索引 index 遍历数据
def __getitem__(self, index):
return self.data[index]
# 调用 len() 函数时,系统会来调用 __len__() 方法
def __len__(self):
return self.len
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
batch_size=batch_size, shuffle=True)
model = Model(input_size, output_size)
# 如果有多个 GPU,使用 nn.DataParallel 来包装模型。然后通过model.to(device)把模型放到GPU上。
if torch.cuda.device_count() > 1:
print("Let's use", torch.cuda.device_count(), "GPUs!")
# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
model = nn.DataParallel(model)
model.to(device)
# 而后将数据通过 .to() 方法送到 GPU 上后,就可以使用 GPU 加速模型计算
for data in rand_loader:
input = data.to(device)
output = model(input)
print("Outside: input size", input.size(),
"output_size", output.size())