pytorch训练神经网络爆内存的解决方案

 import torch import matplotlib.pyplot as  plt def plot_curve(data): fig=plt.figure() plt.plot(range(len(data)),data,color="blue") plt.legend(["value"],loc="upper right") plt.xlabel("step") plt.ylabel("value") plt.show() def plot_image(img,label,name): fig=plt.figure() for i in range(6): plt.subplot(2,3,i+1) plt.tight_layout() plt.imshow(img[i][0]*0.3081+0.1307,cmap="gray",interpolation="none") plt.title("{}:{}".format(name, label[i].item())) plt.xticks([]) plt.yticks([]) plt.show() def one_hot(label,depth=10): out=torch.zeros(label.size(0),depth) idx=torch.LongTensor(label).view(-1,1) out.scatter_(dim=1,index=idx,value=1) return out batch_size=512 import torch from torch import nn                         #完成神经网络的构建包 from torch.nn import functional as F         #包含常用的函数包 from torch import optim                      #优化工具包 import torchvision                           #视觉工具包 import  matplotlib.pyplot as plt from utils import plot_curve,plot_image,one_hot #step1 load dataset   加载数据包 train_loader=torch.utils.data.DataLoader( torchvision.datasets.MNIST("minist_data",train=True,download=True,transform=torchvision.transforms.Compose( [torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,),(0.3081,)) ])), batch_size=batch_size,shuffle=True) test_loader=torch.utils.data.DataLoader( torchvision.datasets.MNIST("minist_data",train=True,download=False,transform=torchvision.transforms.Compose( [torchvision.transforms.ToTensor(),torchvision.transforms.Normalize((0.1307,),(0.3081,)) ])), batch_size=batch_size,shuffle=False) x,y=next(iter(train_loader)) print(x.shape,y.shape) plot_image(x,y,"image") print(x) print(y)

 import torch import torch.nn.functional as F  # 激励函数都在这 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1)  # x data (tensor), shape=(100, 1) y = x.pow(2) + 0.2 * torch.rand(x.size())  # noisy y data (tensor), shape=(100, 1) class Net(torch.nn.Module):  # 继承 torch 的 Module（固定） def __init__(self, n_feature, n_hidden, n_output):  # 定义层的信息，n_feature多少个输入, n_hidden每层神经元, n_output多少个输出 super(Net, self).__init__()  # 继承 __init__ 功能（固定） # 定义每层用什么样的形式 self.hidden = torch.nn.Linear(n_feature, n_hidden)  # 定义隐藏层，线性输出 self.predict = torch.nn.Linear(n_hidden, n_output)  # 定义输出层线性输出 def forward(self, x):  # x是输入信息就是data，同时也是 Module 中的 forward 功能，定义神经网络前向传递的过程，把__init__中的层信息一个一个的组合起来 # 正向传播输入值, 神经网络分析出输出值 x = F.relu(self.hidden(x))  # 定义激励函数(隐藏层的线性值) x = self.predict(x)  # 输出层，输出值 return x net = Net(n_feature=1, n_hidden=10, n_output=1) print(net)  # net 的结构 """ Net ( (hidden): Linear (1 -> 10) (predict): Linear (10 -> 1) ) """ # optimizer 是训练的工具 optimizer = torch.optim.SGD(net.parameters(), lr=0.2)  # 传入 net 的所有参数, 学习率 loss_func = torch.nn.MSELoss()  # 预测值和真实值的误差计算公式 (均方差) for t in range(100):  # 训练的步数100步 prediction = net(x)  # 喂给 net 训练数据 x, 每迭代一步，输出预测值 loss = loss_func(prediction, y)  # 计算两者的误差 # 优化步骤： optimizer.zero_grad()  # 清空上一步的残余更新参数值 loss.backward()  # 误差反向传播, 计算参数更新值 optimizer.step()  # 将参数更新值施加到 net 的 parameters 上 import matplotlib.pyplot as plt plt.ion()  # 实时画图something about plotting for t in range(200): prediction = net(x)  # input x and predict based on x loss = loss_func(prediction, y)  # must be (1. nn output, 2. target) optimizer.zero_grad()  # clear gradients for next train loss.backward()  # backpropagation, compute gradients optimizer.step()  # apply gradients if t % 5 == 0:  # 每五步绘一次图 # plot and show learning process plt.cla() plt.scatter(x.data.numpy(), y.data.numpy()) plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5) plt.text(0.5, 0, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'}) plt.pause(0.1) plt.ioff() plt.show()