pytorch调用gpu运算,提高gpu利用率pytorch

2022-08-25 06:22:29 分类：python 阅读()

　　pytorch调用gpu运算,提高gpu利用率pytorch

　　框架是一个非常优秀的深度学习的框架，具有速度快，代码简洁，可读性强的优点，下面这篇文章主要给大家介绍了关于PyTorch使用国家政治保卫局。参见国家政治保卫局训练的两种方法，需要的朋友可以参考下

　　

目录
Pytorch使用国家政治保卫局。参见国家政治保卫局训练方法一cuda()方法二。至（设备)附：一些和国家政治保卫局。参见国家政治保卫局有关的基本操作汇总总结

　　

Pytorch 使用GPU训练

　　使用国家政治保卫局。参见国家政治保卫局训练只需要在原来的代码中修改几处就可以了。

　　我们有两种方式实现代码在国家政治保卫局。参见国家政治保卫局上进行训练

　　

方法一 .cuda()

　　我们可以通过对网络模型，数据，损失函数这三种变量调用cuda()来在国家政治保卫局。参见国家政治保卫局上进行训练

　　# 将网络模型在地面动力装置上训练

　　模型=模型()

　　model=model.cuda()

　　# 损失函数在地面动力装置上训练

　　loss_fn=nn .交叉入口型()

　　loss_fn=loss_fn.cuda()

　　# 数据在地面动力装置上训练

　　对于数据加载器：中的数据

　　img，目标=数据

　　imgs=imgs.cuda()

　　targets=targets.cuda()

　　但是如果电脑没有国家政治保卫局。参见国家政治保卫局就会报错，更好的写法是先判断库达是否可用：

　　# 将网络模型在地面动力装置上训练

　　模型=模型()

　　如果torch.cuda.is_available():

　　model=model.cuda()

　　# 损失函数在地面动力装置上训练

　　loss_fn=nn .交叉入口型()

　　如果torch.cuda.is_available():

　　loss_fn=loss_fn.cuda()

　　# 数据在地面动力装置上训练

　　对于数据加载器：中的数据

　　img，目标=数据

　　如果torch.cuda.is_available():

　　imgs=imgs.cuda()

　　targets=targets.cuda()

　　代码案例：

　　# 以CIFAR10数据集为例，展示一下完整的模型训练套路，完成对数据集的分类问题

　　进口火炬

　　进口火炬视觉

　　从火炬进口神经网络

　　从torch.utils.data导入数据加载器

　　来自torch.utils.tensorboard导入摘要作者

　　导入时间

　　# 准备数据集

　　train _ data=火炬视觉。数据集。cifar 10(root= dataset ，train=True，transform=torch vision。转变。totensor()，download=True)

　　test _ data=火炬视觉。数据集。cifar 10(根=数据集，训练=假，变换=火炬视觉。转变。totensor()，download=True)

　　# 获得数据集的长度len()，即长度

　　训练数据大小=长度（训练数据)

　　测试数据大小=长度（测试数据)

　　# 格式化字符串，格式()中的数据会替换{}

　　打印(训练数据集及的长度为： {}.格式（训练数据大小)

　　打印(测试数据集及的长度为： {}.格式（测试数据大小)

　　# 利用数据加载器来加载数据

　　训练数据加载器=数据加载器（训练数据，批量大小=64)

　　测试数据加载器=数据加载器（测试数据，批量大小=64)

　　# 创建网络模型

　　班级模型(nn .模块):

　　def __init__(self) - None:

　　超级()。__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 上进行训练

　　# 创建损失函数

　　loss_fn = nn.CrossEntropyLoss()

　　if torch.cuda.is_available():

　　 loss_fn = loss_fn.cuda() # 在 GPU 上进行训练

　　# 优化器

　　learning_rate = 1e-2 # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01

　　optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

　　# 设置训练网络的一些参数

　　total_train_step = 0 # 记录训练的次数

　　total_test_step = 0 # 记录测试的次数

　　epoch = 10 # 训练的轮数

　　# 添加tensorboard

　　writer = SummaryWriter("logs_train")

　　start_time = time.time() # 开始训练的时间

　　for i in range(epoch):

　　 print("------第 {} 轮训练开始------".format(i+1))

　　 # 训练步骤开始

　　 for data in train_dataloader:

　　 imgs, targets = data

　　 if torch.cuda.is_available():

　　 imgs = imgs.cuda()

　　 targets = targets.cuda() # 在gpu上训练

　　 outputs = model(imgs) # 将训练的数据放入

　　 loss = loss_fn(outputs, targets) # 得到损失值

　　 optimizer.zero_grad() # 优化过程中首先要使用优化器进行梯度清零

　　 loss.backward() # 调用得到的损失，利用反向传播，得到每一个参数节点的梯度

　　 optimizer.step() # 对参数进行优化

　　 total_train_step += 1 # 上面就是进行了一次训练，训练次数 +1

　　 # 只有训练步骤是100 倍数的时候才打印数据，可以减少一些没有用的数据，方便我们找到其他数据

　　 if total_train_step % 100 == 0:

　　 end_time = time.time() # 训练结束时间

　　 print("训练时间: {}".format(end_time - start_time))

　　 print("训练次数: {}, Loss: {}".format(total_train_step, loss))

　　 writer.add_scalar("train_loss", loss.item(), total_train_step)

　　 # 如何知道模型有没有训练好，即有咩有达到自己想要的需求

　　 # 我们可以在每次训练完一轮后，进行一次测试，在测试数据集上跑一遍，以测试数据集上的损失或正确率评估我们的模型有没有训练好

　　 # 顾名思义，下面的代码没有梯度，即我们不会利用进行调优

　　 total_test_loss = 0

　　 total_accuracy = 0 # 准确率

　　 with torch.no_grad():

　　 for data in test_dataloader: # 测试数据集中取数据

　　 imgs, targets = data

　　 if torch.cuda.is_available():

　　 imgs = imgs.cuda() # 在 GPU 上进行训练

　　 targets = targets.cuda()

　　 outputs = model(imgs)

　　 loss = loss_fn(outputs, targets) # 这里的 loss 只是一部分数据(data) 在网络模型上的损失

　　 total_test_loss = total_test_loss + loss # 整个测试集的loss

　　 accuracy = (outputs.argmax(1) == targets).sum() # 分类正确个数

　　 total_accuracy += accuracy # 相加

　　 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)

　　 writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)

　　 total_test_loss += 1 # 测试完了之后要 +1

　　 torch.save(model, "model_{}.pth".format(i))

　　 print("模型已保存")

　　writer.close()

　　

　　

　　

方法二 .to(device)

　　指定 训练的设备

　　

device = torch.device("cpu")	# 使用cpu训练
　　device = torch.device("cuda")	# 使用gpu训练 
　　device = torch.device("cuda:0")	# 当电脑中有多张显卡时，使用第一张显卡
　　device = torch.device("cuda:1")	# 当电脑中有多张显卡时，使用第二张显卡
　　device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
　　

　　使用 GPU 训练

　　

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)
　　

　　代码示例：

　　

# 以 CIFAR10 数据集为例，展示一下完整的模型训练套路，完成对数据集的分类问题
　　import torch
　　import torchvision
　　from torch import nn
　　from torch.utils.data import DataLoader
　　from torch.utils.tensorboard import SummaryWriter
　　import time
　　# 定义训练的设备
　　device = torch.device("cuda")
　　# 准备数据集
　　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)
　　# 获得数据集的长度 len(), 即length
　　train_data_size = len(train_data)
　　test_data_size = len(test_data)
　　# 格式化字符串, format() 中的数据会替换 {}
　　print("训练数据集及的长度为: {}".format(train_data_size))
　　print("测试数据集及的长度为: {}".format(test_data_size))
　　# 利用DataLoader 来加载数据
　　train_dataloader = DataLoader(train_data, batch_size=64)
　　test_dataloader = DataLoader(test_data, batch_size=64)
　　# 创建网络模型
　　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 上进行训练
　　# 创建损失函数
　　loss_fn = nn.CrossEntropyLoss()
　　loss_fn = loss_fn.to(device) # 在 GPU 上进行训练
　　# 优化器
　　learning_rate = 1e-2 # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
　　optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)
　　# 设置训练网络的一些参数
　　total_train_step = 0 # 记录训练的次数
　　total_test_step = 0 # 记录测试的次数
　　epoch = 10 # 训练的轮数
　　# 添加tensorboard
　　writer = SummaryWriter("logs_train")
　　start_time = time.time() # 开始训练的时间
　　for i in range(epoch):
　　 print("------第 {} 轮训练开始------".format(i+1))
　　 # 训练步骤开始
　　 for data in train_dataloader:
　　 imgs, targets = data
　　 imgs = imgs.to(device)
　　 targets = targets.to(device)
　　 outputs = model(imgs) # 将训练的数据放入
　　 loss = loss_fn(outputs, targets) # 得到损失值
　　 optimizer.zero_grad() # 优化过程中首先要使用优化器进行梯度清零
　　 loss.backward() # 调用得到的损失，利用反向传播，得到每一个参数节点的梯度
　　 optimizer.step() # 对参数进行优化
　　 total_train_step += 1 # 上面就是进行了一次训练，训练次数 +1
　　 # 只有训练步骤是100 倍数的时候才打印数据，可以减少一些没有用的数据，方便我们找到其他数据
　　 if total_train_step % 100 == 0:
　　 end_time = time.time() # 训练结束时间
　　 print("训练时间: {}".format(end_time - start_time))
　　 print("训练次数: {}, Loss: {}".format(total_train_step, loss))
　　 writer.add_scalar("train_loss", loss.item(), total_train_step)
　　 # 如何知道模型有没有训练好，即有咩有达到自己想要的需求
　　 # 我们可以在每次训练完一轮后，进行一次测试，在测试数据集上跑一遍，以测试数据集上的损失或正确率评估我们的模型有没有训练好
　　 # 顾名思义，下面的代码没有梯度，即我们不会利用进行调优
　　 total_test_loss = 0
　　 total_accuracy = 0 # 准确率
　　 with torch.no_grad():
　　 for data in test_dataloader: # 测试数据集中取数据
　　 imgs, targets = data
　　 imgs = imgs.to(device)
　　 targets = targets.to(device)
　　 outputs = model(imgs)
　　 loss = loss_fn(outputs, targets) # 这里的 loss 只是一部分数据(data) 在网络模型上的损失
　　 total_test_loss = total_test_loss + loss # 整个测试集的loss
　　 accuracy = (outputs.argmax(1) == targets).sum() # 分类正确个数
　　 total_accuracy += accuracy # 相加
　　 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)
　　 writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
　　 total_test_loss += 1 # 测试完了之后要 +1
　　 torch.save(model, "model_{}.pth".format(i))
　　 print("模型已保存")
　　writer.close()
　　

　　

　　【注】对于网络模型和损失函数，直接调用 .cuda() 或者 .to() 即可。但是数据和标注需要返回变量

　　为了方便记忆，最好都返回变量

　　使用Google colab进行训练

　　

　　

附：一些和GPU有关的基本操作汇总

　　

# 1，查看gpu信息
　　if_cuda = torch.cuda.is_available()
　　print("if_cuda=",if_cuda)
　　# GPU 的数量
　　gpu_count = torch.cuda.device_count()
　　print("gpu_count=",gpu_count)
　　# 2，将张量在gpu和cpu间移动
　　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，将模型中的全部张量移动到gpu上
　　net = nn.Linear(2,1)
　　print(next(net.parameters()).is_cuda)
　　net.to("cuda:0") # 将模型中的全部参数张量依次到GPU上，注意，无需重新赋值为 net = net.to("cuda:0")
　　print(next(net.parameters()).is_cuda)
　　print(next(net.parameters()).device)
　　# 4，创建支持多个gpu数据并行的模型
　　linear = nn.Linear(2,1)
　　print(next(linear.parameters()).device)
　　model = nn.DataParallel(linear)
　　print(model.device_ids)
　　print(next(model.module.parameters()).device) 
　　#注意保存参数时要指定保存model.module的参数
　　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缓存
　　# 该方在cuda超内存时十分有用
　　torch.cuda.empty_cache()

　　

　　

总结

　　到此这篇关于PyTorch使用GPU训练的两种方法的文章就介绍到这了,更多相关PyTorch使用GPU训练内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。

标签： python

相关文章阅读

  • python命令函数 python函数教学
  • python简单函数编程 如何用python编写函数
  • python随机函数种子 python随机数种子怎么用
  • python画兔子代码，python语言绘制小兔子源代码怎么运行
  • range函数是从0开始吗,python中range(0)
  • python多线程坑,python多线程阻塞
  • python怎么画k线,python绘制k线及均线
  • python调用安卓so库,python .so文件
  • python赋值运算符-=的作用是,在Python中关系运算符中,表示“不等于”
  • python语言是一种脚本编程语言,python属于脚本语言还是编程语言
  • python想获取字符串str的长度,python str转char
  • python从键盘不断输入整数,python控制键盘输入数字
  • python输入姓名输出姓,python输入名字输出你好代码
  • python怎么实现黑客攻击,python网络攻防
  • python@property,python中的property函数
    • 留言与评论（共有 条评论）
       
    验证码：