gpu加速训练神经网络的好处 gpu 训练

torch.cuda：
该包增加了对CUDA张量类型的支持，实现了与CPU张量相同的功能，但使用GPU进行计算。
它是延迟的初始化，所以你可以随时导入它，并使用is_available()来确定系统是否支持CUDA。
使用GPU训练：

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


#准备数据集
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(), download=True)

test_data = torchvision.datasets.CIFAR10(root="../data", 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 Test(nn.Module):
    def __init__(self):
        super(Test, 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
test = Test()
#将网络模型转入cuda
if torch.cuda.is_available():
    test = test.cuda()

#损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.cuda()

#优化器
#le-2 = 1×(10)(-2) = 1 / 100 =0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(test.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")

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

    #训练步骤开始
    #调用51行，使网络进入训练状态
    test.train()
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = test(imgs)
        #获得损失值
        loss = loss_fn(outputs, targets)

        #优化器优化模型
        #利用优化器将梯度清0
        optimizer.zero_grad()
        #利用反向传播得到每一个参数结点的梯度
        loss.backward()
        #对参数进行优化
        optimizer.step()

        #记录训练次数
        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            #item()把tensor数据类型转化为真实的数字
            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
    total_test_loss = 0
    #计算正确率
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = test(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss
            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(test.state_dict(), "test_{}.pth".format(i))
    torch.save(test, "test_{}.pth".format(i))
    print("模型已保存")

writer.close()

如果想对比GPU和CPU训练的速度
可以在开始训练前和每次训练结束时使用time函数获取时间

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

#记录训练次数
total_train_step = total_train_step + 1
if total_train_step % 100 == 0:
    end_time = time.time()
    print(end_time - start_time)
    #item()把tensor数据类型转化为真实的数字
    print("训练次数：{}，Loss：{}".format(total_train_step, loss.item()))
    writer.add_scalar("train_loss", loss.item(), total_train_step)

结果为GPU处理速度比CPU快将近十倍

对于没有GPU的用户来说，可以使用google colab体验免费的GPU

在修改中选择硬件加速，选择GPU

torch.device
torch.device的一个实例是一个对象,该对象代表的是张量torch.Tensor所在
的设备或将要分配到的设备.
torch.device包含了一个设备类型(‘cpu’ 或者 ‘cuda’),以及该设备类型的可选设备序数.如果该设备序数不存在,那么这个对象所代表的将总是该设备类型的当前设备,尽管已经调用了torch.cuda.set_device()函数;例如,使用设备’cuda’来创建一个torch.Tensor 对象等效于使用设备’cuda:X’来创建torch.Tensor对象,其中X是函数torch.cuda.current_device()的返回结果.
torch.device(‘cuda’) 与 torch.device(‘cuda:0’)在进行计算时，对于单卡计算机而言，没有任何区别，都是唯一的那一张GPU。
代码实战：

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


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

#准备数据集
train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(), download=True)

test_data = torchvision.datasets.CIFAR10(root="../data", 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 Test(nn.Module):
    def __init__(self):
        super(Test, 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
test = Test()
#将网络模型转入device
test = test.to(device)

#损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

#优化器
#le-2 = 1×(10)(-2) = 1 / 100 =0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(test.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
    #调用51行，使网络进入训练状态
    test.train()
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.to(device)
            targets = targets.to(device)
        outputs = test(imgs)
        #获得损失值
        loss = loss_fn(outputs, targets)

        #优化器优化模型
        #利用优化器将梯度清0
        optimizer.zero_grad()
        #利用反向传播得到每一个参数结点的梯度
        loss.backward()
        #对参数进行优化
        optimizer.step()

        #记录训练次数
        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            end_time = time.time()
            print(end_time - start_time)
            #item()把tensor数据类型转化为真实的数字
            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
    total_test_loss = 0
    #计算正确率
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.to(device)
                targets = targets.to(device)
            outputs = test(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss
            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(test.state_dict(), "test_{}.pth".format(i))
    torch.save(test, "test_{}.pth".format(i))
    print("模型已保存")

writer.close()