使用GPU进行神经网络计算详解

Pytorch学习笔记(六):使用GPU的简单LeNet网络模型中也提到了如何实现GPU上的运算,虽然不详细,但是也足够。

总结:(如果对于总结知识已经比较熟悉,那么下面的详解可以不用看)

  1. 默认CPU进行计算。
  2. CPU上变量或模型不能与GPU上变量或模型进行计算,即模型与变量必须在同一个设备上。
  3. .cuda()可以实现将变量或者模型移至GPU;.cpu()可以将其移至CPU。
  4. 也可以使用device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') .to(device)将变量或者模型移至GPU。

GPU计算

对复杂的神经网络和大规模的数据来说,使用CPU来计算可能不够高效。下面将介绍如何使用单块NVIDIA GPU来计算。所以需要确保已经安装好了PyTorch GPU版本。准备工作都完成后,下面就可以通过nvidia-smi命令来查看显卡信息了。

!nvidia-smi  # 对Linux/macOS用户有效

输出:

Sun Mar 17 14:59:57 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 390.48                 Driver Version: 390.48                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 1050    Off  | 00000000:01:00.0 Off |                  N/A |
| 20%   36C    P5    N/A /  75W |   1223MiB /  2000MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      1235      G   /usr/lib/xorg/Xorg                           434MiB |
|    0      2095      G   compiz                                       163MiB |
|    0      2660      G   /opt/teamviewer/tv_bin/TeamViewer              5MiB |
|    0      4166      G   /proc/self/exe                               416MiB |
|    0     13274      C   /home/tss/anaconda3/bin/python               191MiB |
+-----------------------------------------------------------------------------+

以上是大佬的输出,我是window无法输出,但是可以通过任务管理器查看信息。

计算设备

PyTorch可以指定用来存储和计算的设备,如使用内存的CPU或者使用显存的GPU。默认情况下,PyTorch会将数据创建在内存,然后利用CPU来计算。

torch.cuda.is_available()查看GPU是否可用:

import torch
from torch import nn

torch.cuda.is_available() # 输出 True

查看GPU数量:

torch.cuda.device_count() # 输出 1

查看当前GPU索引号,索引号从0开始:

torch.cuda.current_device() # 输出 0

根据索引号查看GPU名字:

torch.cuda.get_device_name(0) 

Tensor的GPU计算

认情况下,Tensor会被存在内存上。因此,之前我们每次打印Tensor的时候看不到GPU相关标识。

x = torch.tensor([1, 2, 3])
print(x)
"""
tensor([1, 2, 3])
"""

使用.cuda()可以将CPU上的Tensor转换(复制)到GPU上。如果有多块GPU,我们用.cuda(i)来表示第 i i i块GPU及相应的显存( i i i从0开始)且cuda(0)cuda()等价。

x = x.cuda(0)
print(x)
"""
tensor([1, 2, 3], device='cuda:0')
"""

我们可以通过Tensordevice属性来查看该Tensor所在的设备。

print(x.device)
"""
device(type='cuda', index=0) 	
"""

我们可以直接在创建的时候就指定设备。

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

x = torch.tensor([1, 2, 3], device=device)
# or
x = torch.tensor([1, 2, 3]).to(device)
print(x)
"""
tensor([1, 2, 3], device='cuda:0')
"""

如果对在GPU上的数据进行运算,那么结果还是存放在GPU上。

y = x**2
print(y)
"""
tensor([1, 4, 9], device='cuda:0')
"""

需要注意的是,存储在不同位置中的数据是不可以直接进行计算的。即存放在CPU上的数据不可以直接与存放在GPU上的数据进行运算,位于不同GPU上的数据也是不能直接进行计算的。

z = y + x.cpu()

会报错:

RuntimeError: Expected object of type torch.cuda.LongTensor but found type torch.LongTensor for argument #3 'other'

模型的GPU计算

Tensor类似,PyTorch模型也可以通过.cuda转换到GPU上。我们可以通过检查模型的参数的device属性来查看存放模型的设备。

net = nn.Linear(3, 1)
print(list(net.parameters())[0].device)
"""
device(type='cpu')
"""

可见模型在CPU上,将其转换到GPU上:

net.cuda()
print(list(net.parameters())[0].device)
"""
device(type='cuda', index=0)
"""

同样的,我么需要保证模型输入的Tensor和模型都在同一设备上,否则会报错。

x = torch.rand(2,3).cuda()
print(net(x))
"""
tensor([[-0.5800],
        [-0.2995]], device='cuda:0', grad_fn=)
"""

REF

[1] 4.6 GPU计算 - Dive-into-DL-PyTorch

[2] 5.6. GPU — 动手学深度学习 2.0.0-beta0 documentation

你可能感兴趣的:(【Pytorch学习】,神经网络,pytorch,深度学习)