【PyTorch教程】P31 GPU加速_2

P31 GPU加速_2

  • 想要在GPU上运行,只需要定义几处,跟 第一种方法 需要修改的位置是一样的:不同之处在于:在最前面,需要加第20行:如果使用gpu,就用“cuda”,如果使用cpu,就直接用“cpu”:
    【PyTorch教程】P31 GPU加速_2_第1张图片

  • 使用GPU加速的第二种方法: .to(device):

  • 先定义:device = torch.device(“cpu”)

  • 在损失函数、网络模型两个位置,可以简略地写:如62和66行,不必再返回给原来的变量:
    【PyTorch教程】P31 GPU加速_2_第2张图片

  • 只有在数据的位置,是必须要把imgs.to(device)再返回给imgs的,target同理:
    【PyTorch教程】P31 GPU加速_2_第3张图片

  • torch.device(“cuda:0”)有多个显卡时使用

  • GPU_2 这种方式更多见:另外,经常这样用,来简写 GPU 和 CPU 的使用:

【PyTorch教程】P31 GPU加速_2_第4张图片

可以运行的代码

# !usr/bin/env python3
# -*- coding:utf-8 -*-

"""
author :24nemo
 date  :2021年07月12日
"""

import time

import torch
import torchvision
# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# 定义训练的设备
device = torch.device("cuda")  # 定义训练的设备
print(device)

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)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为:10
print("训练数据集的长度为:{}".format(train_data_size))
print("测试数据集的长度为:{}".format(test_data_size))

# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)


# 创建网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__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, x):
        x = self.model(x)
        return x


tudui = Tudui()
tudui.to(device)  # 这里新添加了gpu加速的内容    这里,其实不用另外赋值 tudui = xxx,直接调用 tudui.to(device)就可以的

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn.to(device)  # 这里添加了加速设备,其实也是不需要重新赋值的,直接调用就可以了
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("../logs_train")

start_time = time.time()
for i in range(epoch):
    print("-------第 {} 轮训练开始-------".format(i + 1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)  # 这里是数据,需要重新赋值
        targets = targets.to(device)  # 这里一样
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            print("训练次数:{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    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, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

'''

GPU加速的第二个方法

.to(device)

device = torch.device(“cpu”)

torch.device(“cuda”)也可以

torch.device(“cuda:0”)有多个显卡时使用

'''

完整目录

  • P6-P7 数据加载
  • P8-9 Tensorboard使用
  • P10-11 Transform的用法
  • P12-13 常用的tranforms
  • P14 torchvision中的数据集的使用
  • P15 dataloader的使用
  • P16 nn.Module
  • P17 卷积
  • P18 卷积层使用
  • P19 池化
  • P20 ReLU
  • P21线性层和其它层
  • P22 squential和小实战
  • P23 loss function
  • P24 优化器
  • P25 pytorch中现有模型
  • P26 网络模型的保存和加载
  • P27、28、29 完整的模型套路
  • P30 GPU加速
  • P31 GPU加速_2
  • P32 完整的模型验证套路
  • P33 github的使用

你可能感兴趣的:(Python/Pycharm,深度学习/PyTorch,图像处理,计算机视觉,图像处理,深度学习,pytorch)