关于深度学习中的cuda编程，cuda相关介绍

深度学习中会涉及大量的、重复的矩阵运算、图形运算，而CPU对这种简单的加减法加速不够显著，可以使用GPU进行加速运算

CUDA是英伟达旗下的专门为深度学习加速运算的显卡，其对于简单的浮点运算、矩形运算相较于CPU加速了数倍不止

本文介绍CUDA编程，以及如何在PyTorch中配置CUDA环境，以实现深度学习模型的高效开发

1. CUDA 简介

CUDA（Compute Unified Device Architecture，统一计算设备架构）是由Nvidia开发的编程模型和并行计算平台。

在模式识别任务中，使用cuda进行GPU加速可以显著提升计算能力，通过并行化任务更快的执行简单矩阵操作

PyTorch提供了torch.cuda库来设置和运行CUDA操作

需要注意的是，cuda操作的数据被称为张量，其实就是数组，维度从一维到几十维度、上百维度不止，只是叫法不同而已。利用PyTorch的CUDA功能，可以创建张量并将其分配至GPU。完成分配后，所有计算操作都将在GPU上进行，确保结果也存储于该设备。

查看本地设备是否支持CUDA，最简单的方法就是在桌面上鼠标右键，出现下图的标志就是支持cuda加速

关于cuda 的安装不多赘述，其实不是很复杂，只是刚开始的时候经常配置失败，就觉得很困难了。其实在深度学习中，为了保证环境不被污染，新建虚拟环境是很正常的事情，也很简单，可以参考：Pytorch 配置 GPU 环境_pytorch gpu-CSDN博客

更多深度学习环境配置参考本专栏：深度学习环境配置篇_听风吹等浪起的博客-CSDN博客

2. 在pytorch中运行CUDA操作

安装成功后，输入下面命令，检查CUDA是否安装成功

import torch

print("Pytorch CUDA版本是：", torch.version.cuda)

成功的话会显示版本

然后检查是否支持GPU加速

import torch

print("系统是否支持CUDA：", torch.cuda.is_available())

返回True，环境就没问题了

 

当然，PyTorch CUDA还提供了以下功能

import torch

cuda_id = torch.cuda.current_device()
print("CUDA设备ID: ", torch.cuda.current_device())
print("当前CUDA设备名称: ", torch.cuda.get_device_name(cuda_id))

返回如下：

还可以通过指定ID来更改默认的CUDA设备：

import torch

torch.cuda.set_device(1)

3. CUDA 中的张量操作

我们上面介绍过，cuda中的数据类型是张量，也就是多维数组。而常见的读取图像啊、文本的，都是列表或者数组的形式，想要进行gpu加速，就需要类型转换，这里只做简单介绍，详细的教程之前也写过：Tensor 和 Numpy 相关操作_tensor只能在gpu上处理吗-CSDN博客

常用的cuda在pytorch中的命令：

• tensor.device：返回张量所在的设备名称，默认是“CPU”
• tensor.to(device_name) ：用于将张量迁移到指定的设备。设置device_name为"CPU"，张量就会在CPU上；设置为"cuda"，张量则会在GPU上执行
• tensor.cpu() ： 将张量从当前设备传输到CPU

下述代码实现的功能，是张量在cpu和gpu上的运算，值得一提的是，张量可以在CPU和GPU上运行

import torch

x = torch.randint(1, 1000, (100, 100))      # 创建张量
print("设备名称: ", x.device)           # 最初的在cpu上

res_cpu = x ** 2        # cpu运算

x = x.to(torch.device('cuda'))      # 转移到cuda

print("传输后的设备名称: ", x.device)

res_gpu = x ** 2            # gpu运算
x.cpu()

返回如下：

4. 在机器学习中使用CUDA运算

当然在机器学习的具体训练中，不需要每次都要使用torch.device来转移数据，pytorch为我们提供了简单的方法

事实上，本身cuda加速的是前向传播、反向传播运算，只需要记住两种数据的运算需要在同一设备上即可，就是说cpu上的矩阵不能加上gpu上的矩阵

这样实际训练中就很简单，只需要把网络仍在cuda上。

因为数据需要和网络进行矩阵运算，所以数据也需要放在cuda上。

对于监督学习，真实的标签需要进行损失计算，那么标签也需要放在cuda上即可

CUDA提供了一种便捷的方法，可以将机器学习模型部署到不同的计算设备上：

使用 model.to(device_name) 指定它运行在CPU或支持CUDA的GPU上

其中，"CPU"代表在CPU上运行，而"cuda"则代表在GPU上运行。

下述代码就是将实例化的resnet网络仍在cuda上的demo代码

import torch
import torchvision.models as models

device = 'cuda' if torch.cuda.is_available() else 'cpu'
# 实例化预训练模型
model = models.resnet18(pretrained=True)
# 将模型传输到支持CUDA的GPU
model = model.to(device)

模型成功迁移到支持CUDA的GPU之后，将数据和标签也放在cuda上即可加速模型的学习过程