PyTorch 使用GPU训练

2022-10-21 14:07:36

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

在这里插入图片描述

# 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 datain 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 datain dataloader:                        
	imgs, targets= dataif 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 torchimport torchvisionfrom torchimport nnfrom torch.utils.dataimport DataLoaderfrom torch.utils.tensorboardimport SummaryWriterimport 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classModel(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))defforward(self,input):input= self.model(input)returninput

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 iinrange(epoch):print("------第 {} 轮训练开始------".format(i+1))# 训练步骤开始for datain train_dataloader:
        imgs, targets= dataif 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 datain test_dataloader:# 测试数据集中取数据
            imgs, targets= dataif 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 datain 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 torchimport torchvisionfrom torchimport nnfrom torch.utils.dataimport DataLoaderfrom torch.utils.tensorboardimport SummaryWriterimport 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classModel(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))defforward(self,input):input= self.model(input)returninput

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 iinrange(epoch):print("------第 {} 轮训练开始------".format(i+1))# 训练步骤开始for datain 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 datain 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()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Pw65Px5W-1645015877614)(C:\Users\14158\AppData\Roaming\Typora\typora-user-images\1644999041019.png)]

【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

  • 作者:风吹我亦散
  • 原文链接:https://blog.csdn.net/weixin_45468845/article/details/122971688
    更新时间:2022-10-21 14:07:36