哔哩大学的PyTorch深度学习快速入门教程(绝对通俗易懂!)【小土堆】
的P31讲介绍了用GPU进行完整的训练模型套路练习的另一种方式。
还是把与不同于用cpu的语句注释了出来,代码如下:
这种方式可以用于多个gpu的使用中。cuda:0 ——cuda:1——cuda:3.。。。。
import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter
# from model import *(手动复制过来了)
from torch import nn
from torch.utils.data import DataLoader
import time
device = torch.device("cuda:0") # 定义一个训练设备,类似还可以定义多个gpu
# 次语句可以改写为:
# device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 意思是如果cuda可以用的情况下,就去用gpu,他如果不能用就取用cpu
train_data = torchvision.datasets.CIFAR10(root="data", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="data", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
train_data_size = len(test_data)
test_data_size = len(test_data)
# 如果训练数据集的长度train_data_size=10,则会输出 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__()
# 为了避免上下两个def都写一整串,将整个网络放到序列当中,前边有讲过,注释了很多代码有老乡的那一篇
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2), # 卷积
nn.MaxPool2d(2), # 池化
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), # 最后两步的展平
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
tudui = Tudui()
tudui = tudui.to(device) # 定义到开始命名的gpu设备中
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device) # 定义到开始命名的gpu设备中
# 定义优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate) # SGD为随机梯度下降优化器,学习速率为learning_rate = 0.01
# optimizer没有.cuda, 即不能用GPU训练
# 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
writer = SummaryWriter("logs_train") # tensorboard的使用
start_time = time.time() # 训练开始前计时
for i in range(epoch):
print("------第 {} 轮训练开始------".format(i+1)) # 为了符合阅读习惯,写成i+1
# 训练步骤开始
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device)# 定义到开始命名的gpu设备中
targets = targets.to(device)# 定义到开始命名的gpu设备中
outputs = tudui(imgs)
loss = loss_fn(outputs, targets) # 输出和目标之间的损失值
# 优化器调优优化模型
optimizer.zero_grad() # 优化前梯度清零
loss.backward() # 调用损失的反向传播,得到每个参数检验的梯度
optimizer.step()# 调用优化器
# 一次训练完成,训练次数+1
total_train_step = total_train_step + 1
if total_train_step %100 == 0: # total_train_step为100的整数时则输出
end_time = time.time() # 结束时间
print(end_time - start_time) #结束时间减去开始时间,为过程时间
print("训练次数: {},Loss: {}".format(total_train_step, loss.item()))
# 因为有两个{}需要替换,所以format有两个量
writer.add_scalar("train_loss", loss.item(), total_train_step) # tensorboard的使用
# 为了知道每轮的训练结果如何,进行测试,以测试数据集上的损失或者正确率来评估模型有没有训练好
# 为保证在测试的时候不再进行调优,用 with torch.no_grad():
total_test_loss = 0
total_accuracy = 0 # z整体正确率
with torch.no_grad():
for data in test_dataloader:
imgs, targets = data
imgs = imgs.to(device)# 定义到开始命名的gpu设备中
targets = targets.to(device)# 定义到开始命名的gpu设备中
outputs = tudui(imgs)
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
# 测试集中的每次loss相加得到total_test_loss
accuracy = (outputs.argmax(1) == targets).sum() # 正确率的内容
total_accuracy = total_accuracy + accuracy # 正确率的内容
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)) # 正确率的内容,测试的正确的比上总的
writer.add_scalar("test_loss", total_test_loss, total_test_step) # tensorboard的使用
writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)# tensorboard正确率和步进
total_test_step = total_test_step + 1
# 保存每一轮训练的模型
torch.save(tudui, "tudui_{}.pth".format(i))
print("模型已保存")
writer.close()
亲测可用,速度快很多。