pytorch 学习笔记4 —— GPU加速

在GPU上训练

来源：https://pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html#training-an-image-classifier

定义设备

如果我们的机器支持CUDA，那么我们使用第一个cuda设备为cuda0 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # Assuming that we are on a CUDA machine, this should print a CUDA device: print(device) 以下方法会递归扫描所有模块，并将参数和缓冲区转移到CUDA张量上： net.to(device) 并且需要将input和target也移动到GPU上 inputs, labels = inputs.to(device), labels.to(device)

关于并行

来源：https://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html

查看有多少个GPU可以让我们使用： torch.cuda.device_count() 让模型并行 model = nn.DataParallel(model) 一个例子： # 导入需要的包，定义超参 import torch import torch.nn as nn from torch.utils.data import Dataset, DataLoader # Parameters and DataLoaders input_size = 5 output_size = 2 batch_size = 30 data_size = 100 # 寻找并定义设备 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 准备随机数据集 class RandomDataset(Dataset): def __init__(self, size, length): self.len = length self.data = torch.randn(length, size) def __getitem__(self, index): return self.data[index] def __len__(self): return self.len # 定义一个简单的线性模型 class Model(nn.Module): # Our model def __init__(self, input_size, output_size): super(Model, self).__init__() self.fc = nn.Linear(input_size, output_size) def forward(self, input): output = self.fc(input) print("\tIn Model: input size", input.size(), "output size", output.size()) return output # 创建模型并让模型并行化 model = Model(input_size, output_size) if torch.cuda.device_count() > 1: print("Let's use", torch.cuda.device_count(), "GPUs!") # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs model = nn.DataParallel(model) model.to(device) # 运行模型 for data in rand_loader: input = data.to(device) output = model(input) print("Outside: input size", input.size(), "output_size", output.size())

亲测发现如果只是在CPU上，即使你强行定义并行，也不会跑得更快一些。

注意我们自定义数据集的方式，必须实现“def getitem(self, index)”和“def len(self)”。