快捷導(dǎo)航

PyTorch使用GPU訓(xùn)練的兩種方法實(shí)例

更新時間：2022年05月17日 14:39:11 作者：風(fēng)吹我亦散

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

Pytorch 使用GPU訓(xùn)練

使用 GPU 訓(xùn)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(shí)現(xiàn)代碼在 GPU 上進(jìn)行訓(xùn)練

方法一 .cuda()

我們可以通過對網(wǎng)絡(luò)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(jìn)行訓(xùn)練

# 將網(wǎng)絡(luò)模型在gpu上訓(xùn)練
model = Model()
model = model.cuda()

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

# 數(shù)據(jù)在gpu上訓(xùn)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(luò)模型在gpu上訓(xùn)練
model = Model()
if torch.cuda.is_available():
	model = model.cuda()

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

# 數(shù)據(jù)在gpu上訓(xùn)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(xùn)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(zhǔn)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(xùn)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(luò)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(jìn)行訓(xùn)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(jìn)行訓(xùn)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(shè)置訓(xùn)練網(wǎng)絡(luò)的一些參數(shù)
total_train_step = 0                        # 記錄訓(xùn)練的次數(shù)
total_test_step = 0                         # 記錄測試的次數(shù)
epoch = 10                                  # 訓(xùn)練的輪數(shù)

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

    # 訓(xùn)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(xùn)練
        outputs = model(imgs)               # 將訓(xùn)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(jìn)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(diǎn)的梯度
        optimizer.step()                    # 對參數(shù)進(jìn)行優(yōu)化
        total_train_step += 1               # 上面就是進(jìn)行了一次訓(xùn)練，訓(xùn)練次數(shù) +1

        # 只有訓(xùn)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(xùn)練結(jié)束時間
            print("訓(xùn)練時間: {}".format(end_time - start_time))
            print("訓(xùn)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(xùn)練好，即有咩有達(dá)到自己想要的需求
    # 我們可以在每次訓(xùn)練完一輪后，進(jìn)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(xùn)練好

    # 顧名思義，下面的代碼沒有梯度，即我們不會利用進(jìn)行調(diào)優(yōu)
    total_test_loss = 0
    total_accuracy = 0                                      # 準(zhǔn)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(jìn)行訓(xùn)練
                targets = targets.cuda()
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)                # 這里的 loss 只是一部分?jǐn)?shù)據(jù)(data) 在網(wǎng)絡(luò)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(xùn)練的設(shè)備

device = torch.device("cpu")	# 使用cpu訓(xùn)練
device = torch.device("cuda")	# 使用gpu訓(xùn)練 
device = torch.device("cuda:0")	# 當(dāng)電腦中有多張顯卡時，使用第一張顯卡
device = torch.device("cuda:1")	# 當(dāng)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(xùn)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(xùn)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(xùn)練的設(shè)備
device = torch.device("cuda")

# 準(zhǔn)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(xùn)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(luò)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(jìn)行訓(xùn)練

# 創(chuàng)建損失函數(shù)
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)                # 在 GPU 上進(jìn)行訓(xùn)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(shè)置訓(xùn)練網(wǎng)絡(luò)的一些參數(shù)
total_train_step = 0                        # 記錄訓(xùn)練的次數(shù)
total_test_step = 0                         # 記錄測試的次數(shù)
epoch = 10                                  # 訓(xùn)練的輪數(shù)

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

    # 訓(xùn)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(xùn)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(jìn)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(diǎn)的梯度
        optimizer.step()                    # 對參數(shù)進(jìn)行優(yōu)化
        total_train_step += 1               # 上面就是進(jìn)行了一次訓(xùn)練，訓(xùn)練次數(shù) +1

        # 只有訓(xùn)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(xùn)練結(jié)束時間
            print("訓(xùn)練時間: {}".format(end_time - start_time))
            print("訓(xùn)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(xùn)練好，即有咩有達(dá)到自己想要的需求
    # 我們可以在每次訓(xùn)練完一輪后，進(jìn)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(xùn)練好

    # 顧名思義，下面的代碼沒有梯度，即我們不會利用進(jìn)行調(diào)優(yōu)
    total_test_loss = 0
    total_accuracy = 0                                      # 準(zhǔn)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?jǐn)?shù)據(jù)(data) 在網(wǎng)絡(luò)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()

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

【注】對于網(wǎng)絡(luò)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(biāo)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(jìn)行訓(xùn)練

附：一些和GPU有關(guān)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()