PyTorch深度学习笔记(二十一)在GPU上实现神经网络模型训练

课程学习笔记,课程链接

目录

方法 1

方法2

方法3


用GPU训练神经网络模型

方法 1

我 A 卡,-.-

采用方法 1 实现GPU训练网络模型只需要将原来的 CPU 版本的代码进行小量修改即可,具体修改的位置包括下面3个地方:网络模型、数据(输入、标注)、损失函数。只需找到上述 3 个位置的代码加上.cuda() 操作即可实现将 CPU 版本的代码修改为 GPU 版本的代码,现以上一篇博文中完整的模型训练代码为例。

# coding :UTF-8
# Time : 2022/2/18 15:56
# Author : Jiaolong
# File : train_gpu_1.py
# Software: PyCharm
import torch
import torchvision
from torch import nn
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader
​
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=True,
                                          transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=False,
                                          transform=torchvision.transforms.ToTensor(), download=True)
# length 长度,图片的数量
train_data_size = len(train_data)
test_data_size = len(test_data)
# 字符串格式化,会将 format 中的变量替换{}部分
print("训练数据集的长度为:{}".format(train_data_size))  # ctrl+d 复制
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)
​
# 搭建神经网络
class Jiaolong(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, x):
        x = self.model(x)
        return x
jiaolong = Jiaolong()
​
# ****************************** 网络模型部分 ******************************
if torch.cuda.is_available():
    jiaolong = jiaolong.cuda()
# ****************************** 网络模型部分 ******************************
​
# 损失函数
loss_fn = nn.CrossEntropyLoss()
​
# ****************************** 损失函数部分 ******************************
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# ****************************** 损失函数部分 ******************************
​
# 优化器
learning_rate = 1e-2  # 0.01
optimizer = torch.optim.SGD(jiaolong.parameters(), lr=learning_rate)  # 随机梯度下降,第一个参数为对哪个部分进行优化
​
# 设置训练网络的一些参数
total_train_step = 0  # 记录训练的次数
total_test_step = 0  # 记录测试的次数
epoch = 10  # 训练的轮数
​
# 添加 tensorboard
writer = SummaryWriter('./logs_train')
​
for i in range(epoch):
    print('--------第 {} 轮训练开始--------'.format(i+1))
​
    # 训练步骤开始
    jiaolong.train()  # 看官网解释,此时可有可无 https://pytorch.org/docs/stable/generated/torch.nn.Module.html#torch.nn.Module
    for data in train_dataloader:
        imgs, targets = data
​
# ****************************** 数据集部分 ******************************
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
# ****************************** 数据集部分 ******************************
​
        outputs = jiaolong(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:
            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
    jiaolong.eval()  # 看官网解释,此时可有可无
    total_test_loss = 0
    with torch.no_grad():  # 不会调优,在测试集上评估训练的模型
        for data in test_dataloader:
            imgs, targets = data
            
# ****************************** 数据集部分 ******************************
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
# ****************************** 数据集部分 ******************************
​
            outputs = jiaolong(imgs)
            loss = loss_fn(outputs, targets)  # 一部分数据集的 loss
            total_test_loss = total_test_loss + loss.item()
​
    print('整体测试集上的 Loss:{}'.format(total_test_loss))
    writer.add_scalar('test_loss', total_test_loss, total_test_step)
    total_test_step = total_test_step + 1
​
    torch.save(jiaolong, 'jiaolong_{}'.format(i))
    print('模型已保存')
​
writer.close()

方法2

打开 google colab(科学上网)

方法3

用的 .to 操作来指定模型训练的设备,具体是CPU还是GPU,如果是GPU,还能具体到时哪一块GPU。具体方法总结如下:定义具体的 device,例如:device=torch.device(“cpu”) 或者 device=torch.device(“cuda:0”) 或者 device=torch.device(“cuda:1”);利用 .to() 操作训练使用的具体设备,例如 .to(device)。

# coding :UTF-8
# Time : 2022/2/18 16:36
# Author : Jiaolong
# File : train_gpu_2.py
# Software: PyCharm
import torch
import torchvision
from torch import nn
from torch.utils.tensorboard import SummaryWriter
from torch.utils.data import DataLoader
​
# *********************************** 定义训练的设备 ***********************************
device = torch.device('cpu')  # cuda
# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# *********************************** 定义训练的设备 ***********************************
​
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=True,
                                          transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10(root='D:\Code\Project\learn_pytorch\pytorch_p17-21\data', train=False,
                                          transform=torchvision.transforms.ToTensor(), download=True)
# length 长度,图片的数量
train_data_size = len(train_data)
test_data_size = len(test_data)
# 字符串格式化,会将 format 中的变量替换{}部分
print("训练数据集的长度为:{}".format(train_data_size))  # ctrl+d 复制
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)
​
# 搭建神经网络
class Jiaolong(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, x):
        x = self.model(x)
        return x
jiaolong = Jiaolong()
​
# *********************************** 网络模型部分 ***********************************
jiaolong = jiaolong.to(device)  # 可以直接 jiaolong.to(device)
# *********************************** 网络模型部分 ***********************************
​
# 损失函数
loss_fn = nn.CrossEntropyLoss()
​
# *********************************** 损失函数部分 ***********************************
loss_fn = loss_fn.to(device)
# *********************************** 损失函数部分 ***********************************
​
# 优化器
learning_rate = 1e-2  # 0.01
optimizer = torch.optim.SGD(jiaolong.parameters(), lr=learning_rate)  # 随机梯度下降,第一个参数为对哪个部分进行优化
​
# 设置训练网络的一些参数
total_train_step = 0  # 记录训练的次数
total_test_step = 0  # 记录测试的次数
epoch = 10  # 训练的轮数
​
# 添加 tensorboard
writer = SummaryWriter('./logs_train')
​
for i in range(epoch):
    print('--------第 {} 轮训练开始--------'.format(i+1))
​
    # 训练步骤开始
    jiaolong.train()  # 看官网解释,此时可有可无 https://pytorch.org/docs/stable/generated/torch.nn.Module.html#torch.nn.Module
    for data in train_dataloader:
        imgs, targets = data
​
# *********************************** 数据集部分 ***********************************
        imgs = imgs.to(device)
        targets = targets.to(device)
# *********************************** 数据集部分 ***********************************
​
        outputs = jiaolong(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:
            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
    jiaolong.eval()  # 看官网解释,此时可有可无
    total_test_loss = 0
    with torch.no_grad():  # 不会调优,在测试集上评估训练的模型
        for data in test_dataloader:
            imgs, targets = data
​
# *********************************** 数据集部分 ***********************************
            imgs = imgs.to(device)
            targets = targets.to(device)
# *********************************** 数据集部分 ***********************************
​
            outputs = jiaolong(imgs)
            loss = loss_fn(outputs, targets)  # 一部分数据集的 loss
            total_test_loss = total_test_loss + loss.item()
​
    print('整体测试集上的 Loss:{}'.format(total_test_loss))
    writer.add_scalar('test_loss', total_test_loss, total_test_step)
    total_test_step = total_test_step + 1
​
    torch.save(jiaolong, 'jiaolong_{}'.format(i))
    print('模型已保存')
​
writer.close()

猜你喜欢

转载自blog.csdn.net/weixin_44227733/article/details/123007043