目录
一、数据准备
首先，需要准备训练和测试数据集。在示例中，使用CIFAR-10数据集作为示例。数据准备包括数据下载、数据预处理和数据加载。
import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)
# 创建数据加载器
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
train_data_size = len(train_data)
test_data_size = len(test_data)
二、模型迁移至GPU
在使用GPU进行模型训练前，需要将模型迁移到GPU上。这可以通过以下方式实现：
tudui = Tudui()
if torch.cuda.is_available():
tudui = tudui.cuda()
三、设置损失函数和优化器
接下来，需要设置损失函数和优化器。同样，这些需要在GPU上进行设置：
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
loss_fn = loss_fn.cuda()
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)
四、GPU加速训练
训练过程需要考虑数据、模型、损失函数和优化器都在GPU上。以下是GPU加速训练的关键部分：
for data in train_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
optimizer.zero_grad()
loss.backward()
optimizer.step()
同样，在测试步骤中，也需要确保数据和模型在GPU上：
for data in test_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
通过这些步骤，您可以充分利用GPU的性能进行深度学习模型的训练，加快训练速度。在训练过程中，不仅模型在GPU上进行前向和反向传播，还能够充分利用GPU资源，提高训练效率。
五、保存模型
最后，可以使用与CPU相同的方式保存训练好的模型：
torch.save(tudui, "tudui_{}.pth".format(i))
以上是如何在PyTorch中使用GPU进行深度学习模型的训练的全过程。通过合理配置GPU加速，可以更快地训练出高性能的深度学习模型。
完整代码如下：
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# from P27_model import *
import time
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10,训练数据集的长度为:10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))
# 利用DataLoader 来加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)
# 创建网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui,self).__init__()
self.mode1 = nn.Sequential(
nn.Conv2d(3,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self, x):
x = self.mode1(x)
return x
tudui = Tudui()
if torch.cuda.is_available():
tudui = tudui.cuda() # 这是GPU加速训练的第一部分
# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
loss_fn = loss_fn.cuda() # 这是GPU加速训练的第二部分
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate)
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10
# 添加tensorboard
writer = SummaryWriter("logs_train")
# 添加开始时间
strat_time = time.time()
for i in range(epoch):
print("----------第{}轮训练开始----------".format(i+1))
# 训练步骤开始
tudui.train() # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
for data in train_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda() # 这两行是GPU加速的第三部分（未完）
targets = targets.cuda()
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad() # 优化器，梯度清零
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
end_time = time.time() # 结束时间
print(end_time - strat_time)
print("训练次数：{}, Loss:{}".format(total_train_step, loss.item())) # 这里用到的 item()方法，有说法的，其实加不加都行，就是输出的形式不一样而已
writer.add_scalar("train_loss", loss.item(),total_train_step)
# 每训练完一轮，进行测试，在测试集上测试，以测试集的损失或者正确率，来评估有没有训练好，测试时，就不要调优了，就是以当前的模型，进行测试，所以不用再使用梯度（with no_grad 那句）
# 测试步骤开始
tudui.eval() # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
total_test_loss = 0
total_accuracy = 0
with torch.no_grad(): # 这样后面就没有梯度了， 测试的过程中，不需要更新参数，所以不需要梯度？
for data in test_dataloader: # 在测试集中，选取数据
imgs, targets = data
if torch.cuda.is_available(): # 这两行也是必不可少的，GPU加速训练的部分
imgs = imgs.cuda()
targets = targets.cuda()
outputs = tudui(imgs) # 分类的问题，是可以这样的，用一个output进行绘制
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item() # 为了查看总体数据上的 loss，创建的 total_test_loss，初始值是0
accuracy = (outputs.argmax(1) == targets).sum() # 正确率，这是分类问题中，特有的一种，评价指标，语义分割之类的，不一定非要有这个东西，这里是存疑的，再看。
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss：{}".format(total_test_loss))
print("整体测试集上的正确率：{}".format(total_accuracy / test_data_size)) # 即便是输出了上一行的 loss，也不能很好的表现出效果。
# 在分类问题上比较特有，通常使用正确率来表示优劣。因为其他问题，可以可视化地显示在tensorboard中。
writer.add_scalar("test_loss", total_test_loss, total_test_step)
writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
total_test_step = total_test_step + 1
# print(total_test_step)
# 保存方式一，其实后缀都可以自己取，习惯用 .pth。
torch.save(tudui, "tudui_{}.pth".format(i))
# 保存方式2（官方推荐）
# torch.save(model.state_dict(), pth_dir + '/model_{}.pth'.format(i)
print("模型已保存")
writer.close()
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# from P27_model import *
import time
# 定义训练设备
# device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
device = torch.device("cuda")
print(device)
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=False,transform=torchvision.transforms.ToTensor(),download=True)
# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10,训练数据集的长度为:10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))
# 利用DataLoader 来加载数据集
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)
# 创建网络模型
class Tudui(nn.Module):
def __init__(self):
super(Tudui,self).__init__()
self.mode1 = nn.Sequential(
nn.Conv2d(3,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,32,5,1,2),
nn.MaxPool2d(2),
nn.Conv2d(32,64,5,1,2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4,64),
nn.Linear(64,10)
)
def forward(self, x):
x = self.mode1(x)
return x
tudui = Tudui()
tudui.to(device) # 这里新添加了gpu加速的内容 这里，其实不用另外赋值 tudui = xxx，直接调用 tudui.to(device)就可以的
# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn.to(device) # 这里添加了加速设备，其实也是不需要重新赋值的，直接调用就可以了
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate)
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10
# 添加tensorboard
writer = SummaryWriter("logs_train")
# 添加开始时间
strat_time = time.time()
for i in range(epoch):
print("----------第{}轮训练开始----------".format(i+1))
# 训练步骤开始
tudui.train() # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device) # 这里是数据，需要重新赋值
targets = targets.to(device) # 这里一样
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad() # 优化器，梯度清零
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
end_time = time.time() # 结束时间
print(end_time - strat_time)
print("训练次数：{}, Loss:{}".format(total_train_step, loss.item())) # 这里用到的 item()方法，有说法的，其实加不加都行，就是输出的形式不一样而已
writer.add_scalar("train_loss", loss.item(),total_train_step)
# 每训练完一轮，进行测试，在测试集上测试，以测试集的损失或者正确率，来评估有没有训练好，测试时，就不要调优了，就是以当前的模型，进行测试，所以不用再使用梯度（with no_grad 那句）
# 测试步骤开始
tudui.eval() # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
total_test_loss = 0
total_accuracy = 0
with torch.no_grad(): # 这样后面就没有梯度了， 测试的过程中，不需要更新参数，所以不需要梯度？
for data in test_dataloader: # 在测试集中，选取数据
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = tudui(imgs) # 分类的问题，是可以这样的，用一个output进行绘制
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item() # 为了查看总体数据上的 loss，创建的 total_test_loss，初始值是0
accuracy = (outputs.argmax(1) == targets).sum() # 正确率，这是分类问题中，特有的一种，评价指标，语义分割之类的，不一定非要有这个东西，这里是存疑的，再看。
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss：{}".format(total_test_loss))
print("整体测试集上的正确率：{}".format(total_accuracy / test_data_size)) # 即便是输出了上一行的 loss，也不能很好的表现出效果。
# 在分类问题上比较特有，通常使用正确率来表示优劣。因为其他问题，可以可视化地显示在tensorboard中。
writer.add_scalar("test_loss", total_test_loss, total_test_step)
writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
total_test_step = total_test_step + 1
# print(total_test_step)
# 保存方式一，其实后缀都可以自己取，习惯用 .pth。
torch.save(tudui, "tudui_{}.pth".format(i))
# 保存方式2（官方推荐）
# torch.save(model.state_dict(), pth_dir + '/model_{}.pth'.format(i)
print("模型已保存")
writer.close()
参考资料：
391
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
