利用GPU进行模型训练,会有效提高深度学习速率
方法一:
在网络模型中,损失函数中,输入中加入cuda
网络模型:
损失函数:
输入
实际操作代码截图:
import torchvision
from torch.utils.tensorboard import SummaryWriter
from model import *
# 准备数据集
## 准备训练数据集
from torch import nn
from torch.utils.data import DataLoader
train_data=torchvision.datasets.CIFAR10(root="../data",train=True,transform=torchvision.transforms.ToTensor(),download=True)
## 准备测试数据集
test_data=torchvision.datasets.CIFAR10(root="../data",train=False,transform=torchvision.transforms.ToTensor(),download=True)
### 查看数据集的长度
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 来加载数据集
train_dataloader=DataLoader(train_data,64)
test_dataloader=DataLoader(test_data,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) , # 其中padding=2 是通过计算得出的,也可以写-1自动计算
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=tudui.cuda() #GPU
#损失函数
loss_fn=nn.CrossEntropyLoss()
loss_fn=loss_fn.cuda() #GPU
#优化器
learning_rate=0.01
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")
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.cuda() #GPU
targets=targets.cuda() #GPU
outputs=tudui(imgs)
loss=loss_fn(outputs,targets) #计算loss
#优先器优化模型
optimizer.zero_grad() #设置梯度为0
loss.backward()
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())) # loss.item()是把tensor数据类型转换为我我们需要的数字类型
writer.add_scalar("train_loss",loss.item(),total_train_step)
#测试步骤开始
tudui.eval()
total_test_loss=0 #记录总共loss
total_accuracy=0
with torch.no_grad(): #不更新梯度
for data in test_dataloader:
imgs,targets=data
imgs = imgs.cuda() # GPU
targets = targets.cuda() # GPU
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
writer.close()
规范化写法截图: 在有GPU的时候用GPU训练,没有GPU的时候用CPU训练
以此类推,在每一个cuda前做if判断
方法二
定义设备
然后.to(device)
device=torch.device(“cuda”)在gpu上训练
device=torch.device(“cpu)” 在cpu上训练