【PyTorch教程】P31 GPU加速_2

nemo_0410

已于 2023-07-23 10:14:35 修改

阅读量2.8k

点赞数 2

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 08:02:34 首次发布

本文链接：https://blog.csdn.net/weixin_42306148/article/details/123364998

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

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：

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

# 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。

完整目录

nemo_0410

关注

2
点赞
踩
13

收藏

觉得还不错? 一键收藏
2
评论
【PyTorch教程】P31 GPU加速_2

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
复制链接

扫一扫