PyTorch使用GPU训练的两种方法实例

# 将网络模型在gpu上训练 model = Model() model = model.cuda() # 损失函数在gpu上训练 loss_fn = nn.CrossEntropyLoss() loss_fn = loss_fn.cuda() # 数据在gpu上训练 for data in dataloader: imgs, targets = data imgs = imgs.cuda() targets = targets.cuda() 

# 将网络模型在gpu上训练 model = Model() if torch.cuda.is_available(): model = model.cuda() # 损失函数在gpu上训练 loss_fn = nn.CrossEntropyLoss() if torch.cuda.is_available(): loss_fn = loss_fn.cuda() # 数据在gpu上训练 for data in dataloader: imgs, targets = data if torch.cuda.is_available(): imgs = imgs.cuda() targets = targets.cuda() 

# 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 # 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() 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() 

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") 

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) 

# 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() 

# 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()