利用GPU进行训练（二）————PyTorch

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。