pytorch 学习笔记4 —— GPU加速

在GPU上训练

来源：https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#training-an-image-classifier

定义设备

• 如果我们的机器支持CUDA，那么我们使用第一个cuda设备为cuda0

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# Assuming that we are on a CUDA machine, this should print a CUDA device:

print(device)

• 以下方法会递归扫描所有模块，并将参数和缓冲区转移到CUDA张量上：

net.to(device)

• 并且需要将input和target也移动到GPU上

inputs, labels = inputs.to(device), labels.to(device)

关于并行

来源：https://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html

• 查看有多少个GPU可以让我们使用：

torch.cuda.device_count()

• 让模型并行

model = nn.DataParallel(model)

• 一个例子：

# 导入需要的包，定义超参
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# Parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

# 寻找并定义设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# 准备随机数据集
class RandomDataset(Dataset):

    def __init__(self, size, length):
        self.len = length
        self.data = torch.randn(length, size)

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return self.len

# 定义一个简单的线性模型
class Model(nn.Module):
    # Our model

    def __init__(self, input_size, output_size):
        super(Model, self).__init__()
        self.fc = nn.Linear(input_size, output_size)

    def forward(self, input):
        output = self.fc(input)
        print("\tIn Model: input size", input.size(), "output size", output.size())
        return output


# 创建模型并让模型并行化
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
  print("Let's use", torch.cuda.device_count(), "GPUs!")
  # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
  model = nn.DataParallel(model)

model.to(device)

# 运行模型
for data in rand_loader:
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())

亲测发现如果只是在CPU上，即使你强行定义并行，也不会跑得更快一些。

注意我们自定义数据集的方式，必须实现“def getitem(self, index)”和“def len(self)”。