gpu上学习遇到loss下降不了的问题解决

模型构建完成后，以及遍历dataloader时候。我使用了

import torch.nn as nn
import torch.nn.functional as F


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x



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

在布置gpu时候使用了：net=Net()   net=net.to(device)

训练发现loss始终下不去。并且训练速度与在cpu上相比没有加快

后来更改了以下gpu的布置方式：net=Net().to(device)  并且讲dataloader里面的batch_size调大

发现loss能够正常优化了

并且batch_size的大小不同在gpu上的运行速度也有着明显的差距

 

 

结论：

pytorch中训练分类器的net.to(device)貌似有坑。建议还是在构建Net（）时候直接指定好device

如果在gpu上运行，需要将batch_size调大充分利用gpu的算力