pytorch学习笔记13-利用GPU训练
目录
- GPU训练方式1
-
- 方式1如何操作
- 完整代码
- 结果
- 如果电脑上没有GPU，可以使用Google的colab
- GPU训练方式2
-
- 方式2如何操作
- 完整代码
- 用Google colab的输出
GPU训练方式1
方式1如何操作
找到神经网络模型、数据（包括输入、标签等）和损失函数，调用他们的.cuda()，然后再返回就可以了。
对网络模型用cuda()：
# ...
model = Model()
if torch.cuda.is_available():
model = model.cuda()
# ...
对损失函数：
# ...
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
loss_fn = loss_fn.cuda()
# ...
对数据：
训练集
# ...
for data in train_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = model(imgs)
# ...
测试集
# ...
with torch.no_grad():
for data in test_dataloader:
imgs, tartgets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = model(imgs)
# ...
设定时间，比较用两种方式的时间差：
import time
start_time = time.time()
# ......
end_time = time.time()
print(end_time - start_time)
完整代码
from torch.utils.tensorboard import SummaryWriter
import time
import torch
# from model import *
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
writer = SummaryWriter("P27_train")
# 查看数据集大小
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练集的长度为:{}".format(train_data_size))
print("测试集的长度为:{}".format(test_data_size))
# 用dataloader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 Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2), # 输入通道3，输出通道32，卷积核大小5*5，步长为1，填充2（根据公式计算）
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(), # 展平后变成64*64*4了
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
model = Model()
if torch.cuda.is_available():
model = model.cuda() # 把模型转移到GPU上
# 创建损失函数
loss_fn = nn.CrossEntropyLoss() # 交叉熵，fn是function缩写
if torch.cuda.is_available():
loss_fn = loss_fn.cuda()
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate) # 随机梯度下降优化器
# 设置训练网络的参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 设置训练的轮数
epoch = 10
start_time = time.time()
for i in range(epoch):
print("--------------第 {} 轮训练开始---------------".format(i+1))
# 训练步骤
model.train()
for data in train_dataloader:
imgs, targets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = model(imgs)
loss = loss_fn(outputs, targets) # 计算实际输出与目标输出的差距
# 优化器优化模型
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播，计算参数对损失函数的梯度
optimizer.step() # 根据梯度，对网络的参数进行调优
total_train_step += 1
# 使用item()函数取出的元素值的精度更高，所以在求损失函数时一般用item（）
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，每轮训练后都查看在测试集上的Loss情况
model.eval()
# 以测试集上的损失或者正确率来判断模型是否训练的好
# 验证集与测试集不一样的，验证集是在训练中用的，反正模型过拟合，测试集是在模型完全训练好后使用的
# 验证集用来调整超参数，相当于真题，测试集是考试
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, tartgets = data
if torch.cuda.is_available():
imgs = imgs.cuda()
targets = targets.cuda()
outputs = model(imgs)
loss = loss_fn(outputs, targets)
total_test_loss = total_test_loss + loss.item()
accuracy = (outputs.argmax(1) == targets).sum() # 横向设为1
total_accuracy = total_accuracy + accuracy
print("整体测试集上的Loss: {}".format(total_test_loss))
print("整体测试集上的准确率:{}".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 += 1
torch.save(model, "model_{}.pth".format(i)) # 保存每轮训练后的模型结构和参数
print("模型已保存")
writer.close()
结果
使用CPU跑代码：
显示时间为4.05、8.08
使用GPU跑代码：
显示时间为3.50、4.55
如果电脑上没有GPU，可以使用Google的colab
可以使用Google colab上的notebook。
设置使用GPU。
查看cuda可用：
下面就可以将上面的完整代码复制过来执行。
可以看到比我们的电脑要快很多。
使用命令行查看显卡信息（加一个感叹号）。
!nvidia-smi
15G显卡，Tesla T4，比大多数人的显卡都好了。
据说每周可免费使用30小时。
GPU训练方式2
方式2如何操作
方式2是更加常用的训练方式。
找到神经网络模型、数据（包括输入、标签等）和损失函数，调用他们的.to(device)，然后再返回就可以了（网络模型和损失函数不需要返回，返不返回都可以）。
训练之前定义训练的设备：
# 定义训练的设备
device = torch.device("cpu")
print(device)
对网络模型调用.to()：
model = Model()
model = model.to(device)
对损失函数：
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
对训练集：
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
loss = loss_fn(outputs, targets)
对测试集：
with torch.no_grad():
for data in test_dataloader:
imgs, tartgets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
有单个显卡的话device = torch.device("cuda:0")与device = torch.device("cuda")没有差别。
有多个显卡可以指定显卡1和显卡2：device = torch.device("cuda：1")或device = torch.device("cuda：2")
为了适应各种环境，定义训练设备时更常见的写法是：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
完整代码
from torch.utils.tensorboard import SummaryWriter
import time
import torch
# from model import *
import torchvision.datasets
from torch import nn
from torch.utils.data import DataLoader
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=True, transform=torchvision.transforms.ToTensor(),
download=True)
test_data = torchvision.datasets.CIFAR10(root="P20_dataset", train=False, transform=torchvision.transforms.ToTensor(),
download=True)
writer = SummaryWriter("P27_train")
# 定义训练的设备
device = torch.device("cpu")
print(device)
# 查看数据集大小
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练集的长度为:{}".format(train_data_size))
print("测试集的长度为:{}".format(test_data_size))
# 用dataloader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64, drop_last=True)
test_dataloader = DataLoader(test_data, batch_size=64, drop_last=True)
# 创建网络模型
class Model(nn.Module):
def __init__(self):
super(Model, 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
model = Model()
model = model.to(device)
# 创建损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# 设置训练网络的参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 设置训练的轮数
epoch = 10
start_time = time.time()
for i in range(epoch):
print("--------------第 {} 轮训练开始---------------".format(i+1))
# 训练步骤
model.train()
for data in train_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step += 1
# 使用item()函数取出的元素值的精度更高，所以在求损失函数时一般用item（）
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
model.eval()
# 以测试集上的损失或者正确率来判断模型是否训练的好
# 验证集与测试集不一样的，验证集是在训练中用的，反正模型过拟合，测试集是在模型完全训练好后使用的
# 验证集用来调整超参数，相当于真题，测试集是考试
total_test_loss = 0
total_accuracy = 0
with torch.no_grad():
for data in test_dataloader:
imgs, tartgets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
loss = loss_fn(outputs, targets)
total_test_loss += loss.item()
accuracy = (outputs.argmax(1) == targets).sum() # 横向设为1
total_accuracy += accuracy
print("整体测试集上的Loss: {}".format(total_test_loss))
print("整体测试集上的准确率:{}".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 += 1
torch.save(model, "model_{}.pth".format(i))
print("模型已保存")
writer.close()
用Google colab的输出
使用cpu：
使用gpu的cuda：
