P31 GPU加速_2
-
想要在GPU上运行,只需要定义几处,跟 第一种方法 需要修改的位置是一样的:不同之处在于:在最前面,需要加第20行:如果使用gpu,就用“cuda”,如果使用cpu,就直接用“cpu”:
-
使用GPU加速的第二种方法: .to(device):
-
先定义:device = torch.device(“cpu”)
-
在损失函数、网络模型两个位置,可以简略地写:如62和66行,不必再返回给原来的变量:
-
只有在数据的位置,是必须要把imgs.to(device)再返回给imgs的,target同理:
-
torch.device(“cuda:0”)有多个显卡时使用
-
GPU_2 这种方式更多见:另外,经常这样用,来简写 GPU 和 CPU 的使用:
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
# 定义训练的设备
device = torch.device("cuda") # 定义训练的设备
print(device)
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()
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 = 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")
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
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()
loss.backward()
optimizer.step()
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
end_time = time.time()
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
imgs = imgs.to(device)
targets = targets.to(device)
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()
'''
GPU加速的第二个方法
.to(device)
device = torch.device(“cpu”)
torch.device(“cuda”)也可以
torch.device(“cuda:0”)有多个显卡时使用
'''
2023.7.21-22 实践记录
- 问题:都是集中在打印log时,到底哪里应该在循环当中,哪里应该写在外面:
- 比如初始化的step,是不是应该在每一个epoch里面重新定义?答案:不是,否则就会出现一个step对应多个loss或者多个accuracy的情况;
- 还有就是step += 1这个语句,错过很多次,现在总结就是:都是在writer.add_scalar之后,相同缩进的位置,紧跟着就写一个step的递增;
- 还有就是loss到底是不是每一个epoch都重新置0,答案是肯定的,并且,只有test当中,会出现loss的累加,而train当中的loss,是每一个step就要记录一次的。这里要说明:test是对整个test_dataset进行了一次循环之后,就进行一个add;而train是对每一个step就进行一次。
2023.7.23 实践记录
- 今日份“大师之路”:
- model里,没有写def forward函数;
- epoch设置为0了,于是代码根本就没有跑,直接输出——进程已结束,退出代码0;
- with torch.no_grad()时,没有打括号;
- 逻辑问题:train_loss是不需要做累加的,直接输出loss.item()就可以了。