PyTorch使用GPU訓練的兩種方法實例

更新時間：2022年05月17日 14:39:11 作者：風吹我亦散

pytorch是一個非常優(yōu)秀的深度學習的框架,具有速度快,代碼簡潔,可讀性強的優(yōu)點,下面這篇文章主要給大家介紹了關于PyTorch使用GPU訓練的兩種方法,需要的朋友可以參考下

Pytorch 使用GPU訓練

使用 GPU 訓練只需要在原來的代碼中修改幾處就可以了。

我們有兩種方式實現(xiàn)代碼在 GPU 上進行訓練

方法一 .cuda()

我們可以通過對網(wǎng)絡模型，數(shù)據(jù)，損失函數(shù)這三種變量調(diào)用 .cuda() 來在GPU上進行訓練

# 將網(wǎng)絡模型在gpu上訓練
model = Model()
model = model.cuda()

# 損失函數(shù)在gpu上訓練
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.cuda()

# 數(shù)據(jù)在gpu上訓練
for data in dataloader:                        
	imgs, targets = data
	imgs = imgs.cuda()
	targets = targets.cuda()

但是如果電腦沒有 GPU 就會報錯，更好的寫法是先判斷 cuda 是否可用：

# 將網(wǎng)絡模型在gpu上訓練
model = Model()
if torch.cuda.is_available():
	model = model.cuda()

# 損失函數(shù)在gpu上訓練
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():	
	loss_fn = loss_fn.cuda()

# 數(shù)據(jù)在gpu上訓練
for data in dataloader:                        
	imgs, targets = data
    if torch.cuda.is_available():
        imgs = imgs.cuda()
        targets = targets.cuda()

代碼案例：

# 以 CIFAR10 數(shù)據(jù)集為例，展示一下完整的模型訓練套路，完成對數(shù)據(jù)集的分類問題

import torch
import torchvision

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

# 準備數(shù)據(jù)集
train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)

# 獲得數(shù)據(jù)集的長度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)

# 格式化字符串, format() 中的數(shù)據(jù)會替換 {}
print("訓練數(shù)據(jù)集及的長度為: {}".format(train_data_size))
print("測試數(shù)據(jù)集及的長度為: {}".format(test_data_size))

# 利用DataLoader 來加載數(shù)據(jù)
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 創(chuàng)建網(wǎng)絡模型
class Model(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            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, input):
        input = self.model(input)
        return input

model = Model()
if torch.cuda.is_available():
    model = model.cuda()                        # 在 GPU 上進行訓練

# 創(chuàng)建損失函數(shù)
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()                    # 在 GPU 上進行訓練

# 優(yōu)化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

# 設置訓練網(wǎng)絡的一些參數(shù)
total_train_step = 0                        # 記錄訓練的次數(shù)
total_test_step = 0                         # 記錄測試的次數(shù)
epoch = 10                                  # 訓練的輪數(shù)

# 添加tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 開始訓練的時間
for i in range(epoch):
    print("------第 {} 輪訓練開始------".format(i+1))

    # 訓練步驟開始
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
        targets = targets.cuda()            # 在gpu上訓練
        outputs = model(imgs)               # 將訓練的數(shù)據(jù)放入
        loss = loss_fn(outputs, targets)    # 得到損失值

        optimizer.zero_grad()               # 優(yōu)化過程中首先要使用優(yōu)化器進行梯度清零
        loss.backward()                     # 調(diào)用得到的損失，利用反向傳播，得到每一個參數(shù)節(jié)點的梯度
        optimizer.step()                    # 對參數(shù)進行優(yōu)化
        total_train_step += 1               # 上面就是進行了一次訓練，訓練次數(shù) +1

        # 只有訓練步驟是100 倍數(shù)的時候才打印數(shù)據(jù)，可以減少一些沒有用的數(shù)據(jù)，方便我們找到其他數(shù)據(jù)
        if total_train_step % 100 == 0:
            end_time = time.time()          # 訓練結束時間
            print("訓練時間: {}".format(end_time - start_time))
            print("訓練次數(shù): {}, Loss: {}".format(total_train_step, loss))
            writer.add_scalar("train_loss", loss.item(), total_train_step)


    # 如何知道模型有沒有訓練好，即有咩有達到自己想要的需求
    # 我們可以在每次訓練完一輪后，進行一次測試，在測試數(shù)據(jù)集上跑一遍，以測試數(shù)據(jù)集上的損失或正確率評估我們的模型有沒有訓練好

    # 顧名思義，下面的代碼沒有梯度，即我們不會利用進行調(diào)優(yōu)
    total_test_loss = 0
    total_accuracy = 0                                      # 準確率
    with torch.no_grad():
        for data in test_dataloader:                        # 測試數(shù)據(jù)集中取數(shù)據(jù)
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()                          # 在 GPU 上進行訓練
                targets = targets.cuda()
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)                # 這里的 loss 只是一部分數(shù)據(jù)(data) 在網(wǎng)絡模型上的損失
            total_test_loss = total_test_loss + loss        # 整個測試集的loss
            accuracy = (outputs.argmax(1) == targets).sum() # 分類正確個數(shù)
            total_accuracy += accuracy                      # 相加

    print("整體測試集上的loss: {}".format(total_test_loss))
    print("整體測試集上的正確率: {}".format(total_accuracy / test_data_size))
    writer.add_scalar("test_loss", total_test_loss)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
    total_test_loss += 1                                    # 測試完了之后要 +1

    torch.save(model, "model_{}.pth".format(i))
    print("模型已保存")

writer.close()

方法二 .to(device)

指定訓練的設備

device = torch.device("cpu")	# 使用cpu訓練
device = torch.device("cuda")	# 使用gpu訓練 
device = torch.device("cuda:0")	# 當電腦中有多張顯卡時，使用第一張顯卡
device = torch.device("cuda:1")	# 當電腦中有多張顯卡時，使用第二張顯卡

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

使用 GPU 訓練

model = model.to(device)

loss_fn = loss_fn.to(device)

for data in train_dataloader:
    imgs, targets = data
    imgs = imgs.to(device)
    targets = targets.to(device)

代碼示例：

# 以 CIFAR10 數(shù)據(jù)集為例，展示一下完整的模型訓練套路，完成對數(shù)據(jù)集的分類問題

import torch
import torchvision

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

# 定義訓練的設備
device = torch.device("cuda")

# 準備數(shù)據(jù)集
train_data = torchvision.datasets.CIFAR10(root="dataset", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="dataset", train=False, transform=torchvision.transforms.ToTensor(), download=True)

# 獲得數(shù)據(jù)集的長度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)

# 格式化字符串, format() 中的數(shù)據(jù)會替換 {}
print("訓練數(shù)據(jù)集及的長度為: {}".format(train_data_size))
print("測試數(shù)據(jù)集及的長度為: {}".format(test_data_size))

# 利用DataLoader 來加載數(shù)據(jù)
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 創(chuàng)建網(wǎng)絡模型
class Model(nn.Module):
    def __init__(self) -> None:
        super().__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            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, input):
        input = self.model(input)
        return input

model = Model()
model = model.to(device)                    # 在 GPU 上進行訓練

# 創(chuàng)建損失函數(shù)
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)                # 在 GPU 上進行訓練

# 優(yōu)化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

# 設置訓練網(wǎng)絡的一些參數(shù)
total_train_step = 0                        # 記錄訓練的次數(shù)
total_test_step = 0                         # 記錄測試的次數(shù)
epoch = 10                                  # 訓練的輪數(shù)

# 添加tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 開始訓練的時間
for i in range(epoch):
    print("------第 {} 輪訓練開始------".format(i+1))

    # 訓練步驟開始
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = model(imgs)               # 將訓練的數(shù)據(jù)放入
        loss = loss_fn(outputs, targets)    # 得到損失值

        optimizer.zero_grad()               # 優(yōu)化過程中首先要使用優(yōu)化器進行梯度清零
        loss.backward()                     # 調(diào)用得到的損失，利用反向傳播，得到每一個參數(shù)節(jié)點的梯度
        optimizer.step()                    # 對參數(shù)進行優(yōu)化
        total_train_step += 1               # 上面就是進行了一次訓練，訓練次數(shù) +1

        # 只有訓練步驟是100 倍數(shù)的時候才打印數(shù)據(jù)，可以減少一些沒有用的數(shù)據(jù)，方便我們找到其他數(shù)據(jù)
        if total_train_step % 100 == 0:
            end_time = time.time()          # 訓練結束時間
            print("訓練時間: {}".format(end_time - start_time))
            print("訓練次數(shù): {}, Loss: {}".format(total_train_step, loss))
            writer.add_scalar("train_loss", loss.item(), total_train_step)


    # 如何知道模型有沒有訓練好，即有咩有達到自己想要的需求
    # 我們可以在每次訓練完一輪后，進行一次測試，在測試數(shù)據(jù)集上跑一遍，以測試數(shù)據(jù)集上的損失或正確率評估我們的模型有沒有訓練好

    # 顧名思義，下面的代碼沒有梯度，即我們不會利用進行調(diào)優(yōu)
    total_test_loss = 0
    total_accuracy = 0                                      # 準確率
    with torch.no_grad():
        for data in test_dataloader:                        # 測試數(shù)據(jù)集中取數(shù)據(jù)
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)                # 這里的 loss 只是一部分數(shù)據(jù)(data) 在網(wǎng)絡模型上的損失
            total_test_loss = total_test_loss + loss        # 整個測試集的loss
            accuracy = (outputs.argmax(1) == targets).sum() # 分類正確個數(shù)
            total_accuracy += accuracy                      # 相加

    print("整體測試集上的loss: {}".format(total_test_loss))
    print("整體測試集上的正確率: {}".format(total_accuracy / test_data_size))
    writer.add_scalar("test_loss", total_test_loss)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
    total_test_loss += 1                                    # 測試完了之后要 +1

    torch.save(model, "model_{}.pth".format(i))
    print("模型已保存")

writer.close()

$[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Pw65Px5W-1645015877614)(C:\Users\14158\AppData\Roaming\Typora\typora-user-images\1644999041019.png)]$

【注】對于網(wǎng)絡模型和損失函數(shù)，直接調(diào)用 .cuda() 或者 .to() 即可。但是數(shù)據(jù)和標注需要返回變量

為了方便記憶，最好都返回變量

使用Google colab進行訓練

附：一些和GPU有關的基本操作匯總

# 1，查看gpu信息
if_cuda = torch.cuda.is_available()
print("if_cuda=",if_cuda)

# GPU 的數(shù)量
gpu_count = torch.cuda.device_count()
print("gpu_count=",gpu_count)

# 2，將張量在gpu和cpu間移動
tensor = torch.rand((100,100))
tensor_gpu = tensor.to("cuda:0") # 或者 tensor_gpu = tensor.cuda()
print(tensor_gpu.device)
print(tensor_gpu.is_cuda)

tensor_cpu = tensor_gpu.to("cpu") # 或者 tensor_cpu = tensor_gpu.cpu()?
print(tensor_cpu.device)

# 3，將模型中的全部張量移動到gpu上
net = nn.Linear(2,1)
print(next(net.parameters()).is_cuda)
net.to("cuda:0") # 將模型中的全部參數(shù)張量依次到GPU上，注意，無需重新賦值為 net = net.to("cuda:0")
print(next(net.parameters()).is_cuda)
print(next(net.parameters()).device)

# 4，創(chuàng)建支持多個gpu數(shù)據(jù)并行的模型
linear = nn.Linear(2,1)
print(next(linear.parameters()).device)

model = nn.DataParallel(linear)
print(model.device_ids)
print(next(model.module.parameters()).device)?

#注意保存參數(shù)時要指定保存model.module的參數(shù)
torch.save(model.module.state_dict(), "./data/model_parameter.pkl")?

linear = nn.Linear(2,1)
linear.load_state_dict(torch.load("./data/model_parameter.pkl"))?

# 5，清空cuda緩存
# 該方在cuda超內(nèi)存時十分有用
torch.cuda.empty_cache()

總結

到此這篇關于PyTorch使用GPU訓練的兩種方法的文章就介紹到這了,更多相關PyTorch使用GPU訓練內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

python命令行參數(shù)sys.argv使用示例
這篇文章主要介紹了python命令行參數(shù)sys.argv使用示例，大家參考使用吧
2014-01-01
如何利用python將Xmind用例轉為Excel用例
這篇文章主要介紹了如何利用python將Xmind用例轉為Excel用例，文章圍繞主題展開詳細的內(nèi)容介紹，具有一定的參考價值，需要的小伙伴可以參考一下
2022-06-06
Python Paramiko模塊的安裝與使用詳解
最近閑著學習python，看到有個paramiko模塊，貌似很強大，所以從網(wǎng)上學習后總結了這篇文章，下面這篇文章就給大家介紹了Python中Paramiko模塊的安裝與使用，文中介紹的很詳細，相信對大家的學習很有幫助，有需要的朋友們下面來一起看看吧。
2016-11-11
python屬于解釋語言嗎
在本篇文章里小編給大家分享了關于python關于是否為解釋語言的知識點，有興趣的朋友們可以學習下。
2020-06-06
Python中Numpy和Matplotlib的基本使用指南
numpy庫處理的最基礎數(shù)據(jù)類型是由同種元素構成的多維數(shù)組（ndarray）,而matplotlib 是提供數(shù)據(jù)繪圖功能的第三方庫,其pyplot子庫主要用于實現(xiàn)各種數(shù)據(jù)展示圖形的繪制,這篇文章主要給大家介紹了關于Python中Numpy和Matplotlib的基本使用指南,需要的朋友可以參考下
2021-11-11
使用Python高效獲取網(wǎng)絡數(shù)據(jù)的操作指南
網(wǎng)絡爬蟲是一種自動化程序,用于訪問和提取網(wǎng)站上的數(shù)據(jù),Python是進行網(wǎng)絡爬蟲開發(fā)的理想語言,擁有豐富的庫和工具,使得編寫和維護爬蟲變得簡單高效,本文將詳細介紹如何使用Python進行網(wǎng)絡爬蟲開發(fā),包括基本概念、常用庫、數(shù)據(jù)提取方法、反爬措施應對以及實際案例
2025-03-03
python提取字符串中的數(shù)字的實現(xiàn)
本文主要介紹了python提取字符串中的數(shù)字的實現(xiàn),主要介紹了幾種常見的方法,具有一定的參考價值,感興趣的可以了解一下
2023-10-10
用python實現(xiàn)的可以拷貝或剪切一個文件列表中的所有文件
python 實現(xiàn)剪切或是拷貝一個文件列表中的所有文件
2009-04-04
Python編譯結果之code對象與pyc文件詳解
今天小編就為大家分享一篇對Python編譯結果之code對象與pyc文件的詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2021-10-10
TensorFlow學習之分布式的TensorFlow運行環(huán)境
這篇文章主要了TensorFlow學習之分布式的TensorFlow運行環(huán)境的相關知識，本文給大家介紹的非常詳細，具有一定的參考借鑒價值,需要的朋友可以參考下
2020-02-02