【PyTorch教程】P30 GPU加速

nemo_0410

已于 2022-04-11 20:07:41 修改

阅读量1.9k

点赞数 3

分类专栏： Python/Pycharm 深度学习/PyTorch 图像处理文章标签：计算机视觉图像处理深度学习 pytorch

于 2022-03-09 08:02:10 首次发布

本文链接：https://blog.csdn.net/weixin_42306148/article/details/123364938

版权

Python/Pycharm 同时被 3 个专栏收录

92 篇文章 63 订阅

订阅专栏

深度学习/PyTorch

71 篇文章 29 订阅

订阅专栏

图像处理

56 篇文章 4 订阅

订阅专栏

P30 GPU加速

调用 GPU的两种方法：
1、调用 .cuda()
在这三个内容后面，加上 .cuda()方法

下图中，在原来的三种内容上，分别加上.cuda( )，就可以了：让他们的返回值，继续等于原来的变量名，就可以不用管框架中的其他内容了：
在这里插入图片描述

还有个loss function，不截图了。
还有更规范的写法，这样的写法，可以避免没有gpu的电脑上跑不通的弊端：
在视频中，还比较了cup和gpu的计算时间：
注意在哪里添加start_time和end_time，以及做差：
Cpu：

Gpu：

在这里插入图片描述

后面说了Google的GPU加速方法：
需要登录google账号，再访问：Google.colaboratory.com
具体操作：
新建笔记本：

print（torch.version）
print(torch.cuda.is_avaiable( ))：应该是报错的：按图中位置，找到笔记本设置，选择gpu：

选择好了之后，重新载入import torch等环境：

在这里插入图片描述

！nvidia-smi 查看硬件版本（上面的代码都是python代码，直接 + 代码，点击三角运行就行；想要在terminal中运行命令，在最前面加上！就可以）
修改笔记本设置找到硬件加速器设为 GPU

在这里插入图片描述

还是挺好用的，不过，我最近登录之后被分配的GPU不是T4了，也没有16Gb显存：

在这里插入图片描述

可以运行的代码

# ！usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月12日
"""

import time

import torch
import torchvision
# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

train_data = torchvision.datasets.CIFAR10(root="../dataset", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="../dataset", 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.model = 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.model(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 = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 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

start_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()
    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()
        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 - start_time)

            print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            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)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            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))
    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

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

'''

两种GPU训练方式

方式一：


网络模型、损失函数、数据（输入、标注）

调用 .cuda

以上三者有cuda方法，能够实现 
'''

"""
google的GPU


"""

完整目录

nemo_0410

关注

3
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
【PyTorch教程】P30 GPU加速

P30 GPU加速调用 GPU的两种方法：1、调用 .cuda()在这三个内容后面，加上 .cuda()方法下图中，在原来的三种内容上，分别加上.cuda( )，就可以了：让他们的返回值，继续等于原来的变量名，就可以不用管框架中的其他内容了：还有个loss function，不截图了。还有更规范的写法，这样的写法，可以避免没有gpu的电脑上跑不通的弊端：在视频中，还比较了cup和gpu的计算时间：注意在哪里添加start_time和end_time，以及做差：
复制链接

扫一扫