PyTorch使用GPU訓練的兩種方法範例

2022-05-17 16:00:45

Pytorch 使用GPU訓練

使用 GPU 訓練只需要在原來的程式碼中修改幾處就可以了。

我們有兩種方式實現程式碼在 GPU 上進行訓練

方法一 .cuda()

我們可以通過對網路模型，資料，損失函數這三種變數呼叫 .cuda() 來在GPU上進行訓練

# 將網路模型在gpu上訓練
model = Model()
model = model.cuda()

# 損失函數在gpu上訓練
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.cuda()

# 資料在gpu上訓練
for data in dataloader:                        
	imgs, targets = data
	imgs = imgs.cuda()
	targets = targets.cuda()

但是如果電腦沒有 GPU 就會報錯，更好的寫法是先判斷 cuda 是否可用：

# 將網路模型在gpu上訓練
model = Model()
if torch.cuda.is_available():
	model = model.cuda()

# 損失函數在gpu上訓練
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():	
	loss_fn = loss_fn.cuda()

# 資料在gpu上訓練
for data in dataloader:                        
	imgs, targets = data
    if torch.cuda.is_available():
        imgs = imgs.cuda()
        targets = targets.cuda()

程式碼案例：

# 以 CIFAR10 資料集為例，展示一下完整的模型訓練套路，完成對資料集的分類問題

import torch
import torchvision

from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time

# 準備資料集
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)

# 獲得資料集的長度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)

# 格式化字串, format() 中的資料會替換 {}
print("訓練資料集及的長度為: {}".format(train_data_size))
print("測試資料集及的長度為: {}".format(test_data_size))

# 利用DataLoader 來載入資料
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 建立網路模型
class Model(nn.Module):
    def __init__(self) -> None:
        super().__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, input):
        input = self.model(input)
        return input

model = Model()
if torch.cuda.is_available():
    model = model.cuda()                        # 在 GPU 上進行訓練

# 建立損失函數
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()                    # 在 GPU 上進行訓練

# 優化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

# 設定訓練網路的一些引數
total_train_step = 0                        # 記錄訓練的次數
total_test_step = 0                         # 記錄測試的次數
epoch = 10                                  # 訓練的輪數

# 新增tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 開始訓練的時間
for i in range(epoch):
    print("------第 {} 輪訓練開始------".format(i+1))

    # 訓練步驟開始
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
        targets = targets.cuda()            # 在gpu上訓練
        outputs = model(imgs)               # 將訓練的資料放入
        loss = loss_fn(outputs, targets)    # 得到損失值

        optimizer.zero_grad()               # 優化過程中首先要使用優化器進行梯度清零
        loss.backward()                     # 呼叫得到的損失，利用反向傳播，得到每一個引數節點的梯度
        optimizer.step()                    # 對引數進行優化
        total_train_step += 1               # 上面就是進行了一次訓練，訓練次數 +1

        # 只有訓練步驟是100 倍數的時候才列印資料，可以減少一些沒有用的資料，方便我們找到其他資料
        if total_train_step % 100 == 0:
            end_time = time.time()          # 訓練結束時間
            print("訓練時間: {}".format(end_time - start_time))
            print("訓練次數: {}, Loss: {}".format(total_train_step, loss))
            writer.add_scalar("train_loss", loss.item(), total_train_step)


    # 如何知道模型有沒有訓練好，即有咩有達到自己想要的需求
    # 我們可以在每次訓練完一輪後，進行一次測試，在測試資料集上跑一遍，以測試資料集上的損失或正確率評估我們的模型有沒有訓練好

    # 顧名思義，下面的程式碼沒有梯度，即我們不會利用進行調優
    total_test_loss = 0
    total_accuracy = 0                                      # 準確率
    with torch.no_grad():
        for data in test_dataloader:                        # 測試資料集中取資料
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()                          # 在 GPU 上進行訓練
                targets = targets.cuda()
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)                # 這裡的 loss 只是一部分資料(data) 在網路模型上的損失
            total_test_loss = total_test_loss + loss        # 整個測試集的loss
            accuracy = (outputs.argmax(1) == targets).sum() # 分類正確個數
            total_accuracy += accuracy                      # 相加

    print("整體測試集上的loss: {}".format(total_test_loss))
    print("整體測試集上的正確率: {}".format(total_accuracy / test_data_size))
    writer.add_scalar("test_loss", total_test_loss)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
    total_test_loss += 1                                    # 測試完了之後要 +1

    torch.save(model, "model_{}.pth".format(i))
    print("模型已儲存")

writer.close()

方法二 .to(device)

指定訓練的裝置

device = torch.device("cpu")	# 使用cpu訓練
device = torch.device("cuda")	# 使用gpu訓練 
device = torch.device("cuda:0")	# 當電腦中有多張顯示卡時，使用第一張顯示卡
device = torch.device("cuda:1")	# 當電腦中有多張顯示卡時，使用第二張顯示卡

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

使用 GPU 訓練

model = model.to(device)

loss_fn = loss_fn.to(device)

for data in train_dataloader:
    imgs, targets = data
    imgs = imgs.to(device)
    targets = targets.to(device)

程式碼範例：

# 以 CIFAR10 資料集為例，展示一下完整的模型訓練套路，完成對資料集的分類問題

import torch
import torchvision

from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
import time

# 定義訓練的裝置
device = torch.device("cuda")

# 準備資料集
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)

# 獲得資料集的長度 len(), 即length
train_data_size = len(train_data)
test_data_size = len(test_data)

# 格式化字串, format() 中的資料會替換 {}
print("訓練資料集及的長度為: {}".format(train_data_size))
print("測試資料集及的長度為: {}".format(test_data_size))

# 利用DataLoader 來載入資料
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 建立網路模型
class Model(nn.Module):
    def __init__(self) -> None:
        super().__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, input):
        input = self.model(input)
        return input

model = Model()
model = model.to(device)                    # 在 GPU 上進行訓練

# 建立損失函數
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)                # 在 GPU 上進行訓練

# 優化器
learning_rate = 1e-2        # 1e-2 = 1 * (10)^(-2) = 1 / 100 = 0.01
optimizer = torch.optim.SGD(model.parameters(), lr = learning_rate)

# 設定訓練網路的一些引數
total_train_step = 0                        # 記錄訓練的次數
total_test_step = 0                         # 記錄測試的次數
epoch = 10                                  # 訓練的輪數

# 新增tensorboard
writer = SummaryWriter("logs_train")
start_time = time.time()                    # 開始訓練的時間
for i in range(epoch):
    print("------第 {} 輪訓練開始------".format(i+1))

    # 訓練步驟開始
    for data in train_dataloader:
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = model(imgs)               # 將訓練的資料放入
        loss = loss_fn(outputs, targets)    # 得到損失值

        optimizer.zero_grad()               # 優化過程中首先要使用優化器進行梯度清零
        loss.backward()                     # 呼叫得到的損失，利用反向傳播，得到每一個引數節點的梯度
        optimizer.step()                    # 對引數進行優化
        total_train_step += 1               # 上面就是進行了一次訓練，訓練次數 +1

        # 只有訓練步驟是100 倍數的時候才列印資料，可以減少一些沒有用的資料，方便我們找到其他資料
        if total_train_step % 100 == 0:
            end_time = time.time()          # 訓練結束時間
            print("訓練時間: {}".format(end_time - start_time))
            print("訓練次數: {}, Loss: {}".format(total_train_step, loss))
            writer.add_scalar("train_loss", loss.item(), total_train_step)


    # 如何知道模型有沒有訓練好，即有咩有達到自己想要的需求
    # 我們可以在每次訓練完一輪後，進行一次測試，在測試資料集上跑一遍，以測試資料集上的損失或正確率評估我們的模型有沒有訓練好

    # 顧名思義，下面的程式碼沒有梯度，即我們不會利用進行調優
    total_test_loss = 0
    total_accuracy = 0                                      # 準確率
    with torch.no_grad():
        for data in test_dataloader:                        # 測試資料集中取資料
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = model(imgs)
            loss = loss_fn(outputs, targets)                # 這裡的 loss 只是一部分資料(data) 在網路模型上的損失
            total_test_loss = total_test_loss + loss        # 整個測試集的loss
            accuracy = (outputs.argmax(1) == targets).sum() # 分類正確個數
            total_accuracy += accuracy                      # 相加

    print("整體測試集上的loss: {}".format(total_test_loss))
    print("整體測試集上的正確率: {}".format(total_accuracy / test_data_size))
    writer.add_scalar("test_loss", total_test_loss)
    writer.add_scalar("test_accuracy", total_accuracy / test_data_size, total_test_step)
    total_test_loss += 1                                    # 測試完了之後要 +1

    torch.save(model, "model_{}.pth".format(i))
    print("模型已儲存")

writer.close()

【注】對於網路模型和損失函數，直接呼叫 .cuda() 或者 .to() 即可。但是資料和標註需要返回變數

為了方便記憶，最好都返回變數

使用Google colab進行訓練

附：一些和GPU有關的基本操作彙總

# 1，檢視gpu資訊
if_cuda = torch.cuda.is_available()
print("if_cuda=",if_cuda)

# GPU 的數量
gpu_count = torch.cuda.device_count()
print("gpu_count=",gpu_count)

# 2，將張量在gpu和cpu間移動
tensor = torch.rand((100,100))
tensor_gpu = tensor.to("cuda:0") # 或者 tensor_gpu = tensor.cuda()
print(tensor_gpu.device)
print(tensor_gpu.is_cuda)

tensor_cpu = tensor_gpu.to("cpu") # 或者 tensor_cpu = tensor_gpu.cpu() 
print(tensor_cpu.device)

# 3，將模型中的全部張量移動到gpu上
net = nn.Linear(2,1)
print(next(net.parameters()).is_cuda)
net.to("cuda:0") # 將模型中的全部引數張量依次到GPU上，注意，無需重新賦值為 net = net.to("cuda:0")
print(next(net.parameters()).is_cuda)
print(next(net.parameters()).device)

# 4，建立支援多個gpu資料並行的模型
linear = nn.Linear(2,1)
print(next(linear.parameters()).device)

model = nn.DataParallel(linear)
print(model.device_ids)
print(next(model.module.parameters()).device) 

#注意儲存引數時要指定儲存model.module的引數
torch.save(model.module.state_dict(), "./data/model_parameter.pkl") 

linear = nn.Linear(2,1)
linear.load_state_dict(torch.load("./data/model_parameter.pkl")) 

# 5，清空cuda快取
# 該方在cuda超記憶體時十分有用
torch.cuda.empty_cache()

總結

到此這篇關於PyTorch使用GPU訓練的兩種方法的文章就介紹到這了,更多相關PyTorch使用GPU訓練內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

PyTorch使用GPU訓練的兩種方法範例

目錄

Pytorch 使用GPU訓練

方法一 .cuda()

方法二 .to(device)

附：一些和GPU有關的基本操作彙總

總結

熱門文章