Pytorch 使用GPU训练
使用 GPU 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 GPU 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GPU上进行训练
# 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()但是如果电脑没有 GPU 就会报错，更好的写法是先判断 cuda 是否可用：
# 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()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 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() 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
 1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，会注明原创字样,如未注明都非原创，如有侵权请联系删除！；3.作者投稿可能会经我们编辑修改或补充；4.本站不提供任何储存功能只提供收集或者投稿人的网盘链接。 |
标签： #pytorch使用gpu训练 #pytorch #使用GPU训练使用 #GPU #我们有两种方式实现代码在 #上进行训练
