PyTorch入门学习（十八）：利用GPU训练

目录

一、数据准备

二、模型迁移至GPU

三、设置损失函数和优化器

四、GPU加速训练

五、保存模型

---

一、数据准备

首先，需要准备训练和测试数据集。在示例中，使用CIFAR-10数据集作为示例。数据准备包括数据下载、数据预处理和数据加载。

import torch
import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2", train=True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2", train=False, transform=torchvision.transforms.ToTensor(), download=True)

# 创建数据加载器
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

train_data_size = len(train_data)
test_data_size = len(test_data)

二、模型迁移至GPU

在使用GPU进行模型训练前，需要将模型迁移到GPU上。这可以通过以下方式实现：

tudui = Tudui()
if torch.cuda.is_available():
    tudui = tudui.cuda()

三、设置损失函数和优化器

接下来，需要设置损失函数和优化器。同样，这些需要在GPU上进行设置：

loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

四、GPU加速训练

训练过程需要考虑数据、模型、损失函数和优化器都在GPU上。以下是GPU加速训练的关键部分：

for data in train_dataloader:
    imgs, targets = data
    if torch.cuda.is_available():
        imgs = imgs.cuda()
        targets = targets.cuda()
    outputs = tudui(imgs)
    loss = loss_fn(outputs, targets)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

同样，在测试步骤中，也需要确保数据和模型在GPU上：

for data in test_dataloader:
    imgs, targets = data
    if torch.cuda.is_available():
        imgs = imgs.cuda()
        targets = targets.cuda()
    outputs = tudui(imgs)
    loss = loss_fn(outputs, targets)

通过这些步骤，您可以充分利用GPU的性能进行深度学习模型的训练，加快训练速度。在训练过程中，不仅模型在GPU上进行前向和反向传播，还能够充分利用GPU资源，提高训练效率。

五、保存模型

最后，可以使用与CPU相同的方式保存训练好的模型：

torch.save(tudui, "tudui_{}.pth".format(i))

以上是如何在PyTorch中使用GPU进行深度学习模型的训练的全过程。通过合理配置GPU加速，可以更快地训练出高性能的深度学习模型。

完整代码如下：

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# from P27_model import *
import time

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",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.mode1 = 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.mode1(x)
        return x

tudui = Tudui()
if torch.cuda.is_available():
    tudui = tudui.cuda()  # 这是GPU加速训练的第一部分

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()  # 这是GPU加速训练的第二部分

# 优化器
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate)

# 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")
# 添加开始时间
strat_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()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()  # 这两行是GPU加速的第三部分（未完）
            targets = targets.cuda()
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad() # 优化器，梯度清零
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()  # 结束时间
            print(end_time - strat_time)

            print("训练次数：{}, Loss:{}".format(total_train_step, loss.item()))   # 这里用到的 item()方法，有说法的，其实加不加都行，就是输出的形式不一样而已
            writer.add_scalar("train_loss", loss.item(),total_train_step)

    # 每训练完一轮，进行测试，在测试集上测试，以测试集的损失或者正确率，来评估有没有训练好，测试时，就不要调优了，就是以当前的模型，进行测试，所以不用再使用梯度（with no_grad 那句）

    # 测试步骤开始
    tudui.eval()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():     # 这样后面就没有梯度了，  测试的过程中，不需要更新参数，所以不需要梯度？
        for data in test_dataloader: # 在测试集中，选取数据
            imgs, targets = data
            if torch.cuda.is_available():  # 这两行也是必不可少的，GPU加速训练的部分
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = tudui(imgs)   # 分类的问题，是可以这样的，用一个output进行绘制
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()     # 为了查看总体数据上的 loss，创建的 total_test_loss，初始值是0
            accuracy = (outputs.argmax(1) == targets).sum()  # 正确率，这是分类问题中，特有的一种，评价指标，语义分割之类的，不一定非要有这个东西，这里是存疑的，再看。
            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))   # 即便是输出了上一行的 loss，也不能很好的表现出效果。
    # 在分类问题上比较特有，通常使用正确率来表示优劣。因为其他问题，可以可视化地显示在tensorboard中。
    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
    # print(total_test_step)

    # 保存方式一，其实后缀都可以自己取，习惯用 .pth。
    torch.save(tudui, "tudui_{}.pth".format(i))
    # 保存方式2（官方推荐）
    # torch.save(model.state_dict(), pth_dir + '/model_{}.pth'.format(i)
    print("模型已保存")

writer.close()

import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
# from P27_model import *
import time

# 定义训练设备
# device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
device = torch.device("cuda")
print(device)

# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.CIFAR10(root="D:\\Python_Project\\pytorch\\dataset2",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.mode1 = 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.mode1(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 = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(),lr=learning_rate)

# 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")
# 添加开始时间
strat_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()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    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() # 优化器，梯度清零
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()  # 结束时间
            print(end_time - strat_time)

            print("训练次数：{}, Loss:{}".format(total_train_step, loss.item()))   # 这里用到的 item()方法，有说法的，其实加不加都行，就是输出的形式不一样而已
            writer.add_scalar("train_loss", loss.item(),total_train_step)

    # 每训练完一轮，进行测试，在测试集上测试，以测试集的损失或者正确率，来评估有没有训练好，测试时，就不要调优了，就是以当前的模型，进行测试，所以不用再使用梯度（with no_grad 那句）

    # 测试步骤开始
    tudui.eval()  # 这两个层，只对一部分层起作用，比如 dropout层；如果有这些特殊的层，才需要调用这个语句
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():     # 这样后面就没有梯度了，  测试的过程中，不需要更新参数，所以不需要梯度？
        for data in test_dataloader: # 在测试集中，选取数据
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)   # 分类的问题，是可以这样的，用一个output进行绘制
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()     # 为了查看总体数据上的 loss，创建的 total_test_loss，初始值是0
            accuracy = (outputs.argmax(1) == targets).sum()  # 正确率，这是分类问题中，特有的一种，评价指标，语义分割之类的，不一定非要有这个东西，这里是存疑的，再看。
            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))   # 即便是输出了上一行的 loss，也不能很好的表现出效果。
    # 在分类问题上比较特有，通常使用正确率来表示优劣。因为其他问题，可以可视化地显示在tensorboard中。
    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
    # print(total_test_step)

    # 保存方式一，其实后缀都可以自己取，习惯用 .pth。
    torch.save(tudui, "tudui_{}.pth".format(i))
    # 保存方式2（官方推荐）
    # torch.save(model.state_dict(), pth_dir + '/model_{}.pth'.format(i)
    print("模型已保存")

writer.close()

参考资料：

视频教程：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】