pytorch深度学习实战lesson17

第十七课 GPU is all u need

可以在终端输入nvidia-smi来看自己的显卡信息。

然后就是关于GPU的一些操作。这里要提醒的一点就是，程序的计算一定要选好是使用GPU进行计算还是使用CPU，因为本来CPU往GPU传输数据的时间就长，所以假如你没有设置好计算的设备，或者设置乱了的话，就会导致你设置出来的东西性能没有那么好。所以要三思。

#计算设备
import torch
from torch import nn
print(torch.device('cpu'), torch.cuda.device('cuda'), torch.cuda.device('cuda:1'))
#查询可用gpu的数量
print(torch.cuda.device_count())
#这两个函数允许我们在请求的GPU不存在的情况下运行代码
def try_gpu(i=0):
    """如果存在，则返回gpu(i)，否则返回cpu()。"""
    if torch.cuda.device_count() >= i + 1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')
def try_all_gpus():
    """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]。"""
    devices = [
        torch.device(f'cuda:{i}') for i in range(torch.cuda.device_count())]
    return devices if devices else [torch.device('cpu')]
print(try_gpu(), try_gpu(10), try_all_gpus())
#查询张量所在的设备
x = torch.tensor([1, 2, 3])
print(x.device)
#存储在GPU上
X = torch.ones(2, 3, device=try_gpu())
print(X)
#第二个GPU上创建一个随机张量
Y = torch.rand(2, 3, device=try_gpu(0))
print(Y)
#要计算X + Y，我们需要决定在哪里执行这个操作
Z = X.cuda(0)
print(X)
print(Z)
#现在数据在同一个GPU上（Z和Y都在），我们可以将它们相加
print(Y + Z)
print(Z.cuda(0) is Z)
#神经网络与GPU
net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu())
print(net(X))
#确认模型参数存储在同一个GPU上
print(net[0].weight.data.device)

输出：

cpu <torch.cuda.device object at 0x00000292844746D0> <torch.cuda.device object at 0x000002928445BFA0>

1

cuda:0 cpu [device(type='cuda', index=0)]

cpu

tensor([[1., 1., 1.],
        [1., 1., 1.]], device='cuda:0')

tensor([[0.9217, 0.0568, 0.5230],
        [0.0626, 0.0854, 0.6800]], device='cuda:0')

tensor([[1., 1., 1.],
        [1., 1., 1.]], device='cuda:0')

tensor([[1., 1., 1.],
        [1., 1., 1.]], device='cuda:0')

tensor([[1.9217, 1.0568, 1.5230],
        [1.0626, 1.0854, 1.6800]], device='cuda:0')

True

tensor([[-0.2915],
        [-0.2915]], device='cuda:0', grad_fn=<AddmmBackward0>)
cuda:0

沐神还教了如何购买GPU，有想了解的同学可以自行查看b站视频。

使用 GPU_哔哩哔哩_bilibili