PyTorch学习笔记（16）--在GPU上实现神经网络模型训练

最新推荐文章于 2024-06-19 18:46:58 发布

我这一次

最新推荐文章于 2024-06-19 18:46:58 发布

阅读量7k

点赞数 14

分类专栏： PyTorch学习笔记文章标签： python pytorch 神经网络

本文链接：https://blog.csdn.net/weixin_43981621/article/details/119817487

版权

PyTorch学习笔记专栏收录该内容

18 篇文章 174 订阅

订阅专栏

PyTorch学习笔记（16）–在GPU上实现神经网络模型训练

本博文是PyTorch的学习笔记，第16次内容记录，主要介绍如何在GPU上实现神经网络模型训练。

1.为什么要用GPU

1.1GPU是什么

在一台笔记本中往往会听到cpu这个词汇，是中央处理单元（central processing unit），但是随着人工智能技术的飞速发展，GPU这个词在计算机领域出现的次数也越来越多，到底GPU是什么呢？在百度百科上对GPU的描述如下：图形处理器（英语：graphics processing unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。简单来说就是一个能加速图形数据处理的微处理器，GPU最大的生产厂家是NVIDIA（英伟达）。
通常情况下，个人购买的普通笔记本是不配备GPU显卡的，需要额外购买并加装GPU显卡，不同型号的显卡的价格也从几千元到几万元不等。对于深度学习和人工智能领域刚入门的学生党来说，这个价格不太友好，不过没关系，如果实验室的老师未购置GPU作为服务器使用，可以通过租用大厂的GPU服务器进行学习和模型训练，像腾讯云服务器就提供相应GPU服务器的租用，价格按小时收费的话，比自购GPU成本要低一些。

1.2用GPU训练网络模型的好处

采用GPU的好处主要可以体现在下列几个方面：
(1) 节约时间成本。
(2) 计算效率更高，尤其是在处理矩阵运算时，GPU的计算效率更高。
知乎大佬的文章细节更加详细，可以参考：为什么要用GPU来训练神经网络而不是CPU？

2.如何用GPU训练神经网络模型

2.1代码修改方法1

采用方法1实现GPU训练网络模型只需要将原来的CPU版本的代码进行小量修改即可，具体修改的位置包括下面3个地方：

网络模型
数据（输入、标注）
损失函数

只需找到上述3个位置的代码加上.cuda()操作即可实现将CPU版本的代码修改为GPU版本的代码。现以上一篇博文中完整的模型训练代码为例，讲解具体如何修改代码。修改之前的代码为：

# coding ：UTF-8
# 文件功能： 代码实现模型训练功能
# 开发人员： dpp
# 开发时间： 2021/8/19 11:16 上午
# 文件名称： train.py
# 开发工具： PyCharm

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# from model import *
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=True,
                                          transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=False,
                                         transform=torchvision.transforms.ToTensor(),
                                         download=True)

# len表示求解数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
# 搭载神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
test = Test()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(test.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
# 记录训练的轮数
epoch = 10

# 添加Tensorboard
writer = SummaryWriter("logs")

for i in range(epoch):
    print("------第{}轮训练开始------".format(i))

    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        outputs = test(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()   # 将上一轮的梯度清零
        loss.backward()   # 借助梯度进行反向传播
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            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
    total_test_loss = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            outputs = test(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
    print("整体测试集上的loss: {}".format(total_test_loss))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(test, "test_{}.pth".format(i))
    print("模型已保存,ok")

writer.close()

根据上面介绍的将CPU版本代码修改成GPU版本的3个地方：

网络模型：在网络模型定义后增加如下代码：

# 将网络模型转换成GPU版本
if torch.cuda.is_available():
    test = test.cuda()

数据（输入、标注）：在训练数据和测试数据、训练标注和测试标注的地方增加如下代码：

    if torch.cuda.is_available():
        # 将训练图像转换成GPU版本
        imgs = imgs.cuda()
        # 将训练标签转换成GPU版本
        targets = targets.cuda()

    if torch.cuda.is_available():
        # 将测试图像转换成GPU版本
        imgs = imgs.cuda()
        # 将测试标签转换成GPU版本
        targets = targets.cuda()

损失函数：在损失函数的定义后增加如下代码：

# 将损失函数转换成GPU版本
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

修改成GPU版本之后的完整代码如下：

# coding ：UTF-8
# 文件功能： 代码实现模型训练功能
# 开发人员： dpp
# 开发时间： 2021/8/19 11:16 上午
# 文件名称： train.py
# 开发工具： PyCharm

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# from model import *
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=True,
                                          transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=False,
                                         transform=torchvision.transforms.ToTensor(),
                                         download=True)

# len表示求解数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
# 搭载神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
test = Test()
# 将网络模型转换成GPU版本
if torch.cuda.is_available():
    test = test.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
# 将损失函数转换成GPU版本
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(test.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
# 记录训练的轮数
epoch = 10

# 添加Tensorboard
writer = SummaryWriter("logs")

for i in range(epoch):
    print("------第{}轮训练开始------".format(i))

    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            # 将训练图像转换成GPU版本
            imgs = imgs.cuda()
            # 将训练标签转换成GPU版本
            targets = targets.cuda()
        outputs = test(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()   # 将上一轮的梯度清零
        loss.backward()   # 借助梯度进行反向传播
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            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
    total_test_loss = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            if torch.cuda.is_available():
                # 将测试图像转换成GPU版本
                imgs = imgs.cuda()
                # 将测试标签转换成GPU版本
                targets = targets.cuda()
            outputs = test(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
    print("整体测试集上的loss: {}".format(total_test_loss))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(test, "test_{}.pth".format(i))
    print("模型已保存,ok")

writer.close()

通过对比CPU和GPU训练100次的时间，CPU需要25秒，而GPU只需2.2秒，可见GPU的速度比CPU提高了10倍。

2.1代码修改方法2

第2种方法是用的.to操作来指定模型训练的设备，具体是CPU还是GPU，如果是GPU，还能具体到时哪一块GPU。具体方法总结如下：

先定义具体的device，例如：device=torch.device(“cpu”) 或者 device=torch.device(“cuda:0”) 或者device=torch.device(“cuda:1”)；
利用.to()操作训练使用的具体设备，例如.to(device)

根据上面介绍的将CPU版本代码修改成GPU版本的方法2，需要将源代码修改的地方为：

定义一个设备：

# 定义一个训练的设备device
device = torch.device("cpu")

将模型转移到device上去：

# 将网络模型转移到device上去
test = test.to(device)

将损失函数转移到device上去：

# 将损失函数转换到device上去
loss_fn = loss_fn.to(device)

将训练数据转移到device上去：

# 将训练图像转移到device上去
imgs = imgs.to(device)
# 将训练标签转移到device上去
targets = targets.to(device)

将测试数据转移到device上去：

# 将测试图像转移到device上去
imgs = imgs.to(device)
# 将测试标签转移到device上去
targets = targets.to(device)

补充说明：如果想一开始的device定义成GPU，则只需device定义的将代码改成：

# 定义一个训练的设备device
device = torch.device("cuda")

修改成GPU版本之后的完整代码如下：

# coding ：UTF-8
# 文件功能： 代码实现XX功能
# 开发人员： dpp
# 开发时间： 2021/8/20 11:48 上午
# 文件名称： train_gpu_2.py
# 开发工具： PyCharm

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# from model import *

# 定义一个训练的设备device
device = torch.device("cpu")

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=True,
                                          transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=False,
                                         transform=torchvision.transforms.ToTensor(),
                                         download=True)

# len表示求解数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
# 搭载神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
test = Test()
# 将网络模型转移到device上去
test = test.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
# 将损失函数转换到device上去
loss_fn = loss_fn.to(device)

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(test.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
# 记录训练的轮数
epoch = 10

# 添加Tensorboard
writer = SummaryWriter("logs")

for i in range(epoch):
    print("------第{}轮训练开始------".format(i))

    # 训练步骤开始
    for data in train_dataloader:
        imgs, targets = data
        # 将训练图像转移到device上去
        imgs = imgs.to(device)
        # 将训练标签转移到device上去
        targets = targets.to(device)
        outputs = test(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()   # 将上一轮的梯度清零
        loss.backward()   # 借助梯度进行反向传播
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            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
    total_test_loss = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            # 将测试图像转移到device上去
            imgs = imgs.to(device)
            # 将测试标签转移到device上去
            targets = targets.to(device)
            outputs = test(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
    print("整体测试集上的loss: {}".format(total_test_loss))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(test, "test_{}.pth".format(i))
    print("模型已保存,ok")

writer.close()

补充说明：可以将device的定义改成CPU和GPU都适用的写法：

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

3.学习小结

在本文总结了如何将CPU上运行的代码改写为GPU版本代码的方法，通过这2中改写的方法，能够实现代码的完美切换，保证代码既能在CPU上运行也能在GPU上运行。在下一个博文将介绍如何进行完整的模型训练。

我这一次

关注

14
点赞
踩
69

收藏

觉得还不错? 一键收藏
4
评论
PyTorch学习笔记（16）--在GPU上实现神经网络模型训练

PyTorch学习笔记（16）–在GPU上实现神经网络模型训练本博文是PyTorch的学习笔记，第16次内容记录，主要介绍如何在GPU上实现神经网络模型训练。目录PyTorch学习笔记（16）--在GPU上实现神经网络模型训练1.为什么要用GPU1.1GPU是什么1.2用GPU训练网络模型的好处2.如何用GPU训练神经网络模型2.1代码修改方法12.1代码修改方法23.学习小结1.为什么要用GPU1.1GPU是什么在一台笔记本中往往会听到cpu这个词汇，是中央处理单元（centra
复制链接

扫一扫