猴子看了都能在服务器上pytorch代码使用gpu跑神经网络模型 | 您所在的位置:网站首页 › 怎么做服务器集群模型 › 猴子看了都能在服务器上pytorch代码使用gpu跑神经网络模型 |
如何在服务器上pytorch代码使用gpu跑神经网络模型
文章目录
如何在服务器上pytorch代码使用gpu跑神经网络模型前言一、pytorch---用gpu训练模型二、放到gpu上的方法总结
前言
鉴于今天跑模型将cpu版本的改成cuda版本的心路历程,觉得必须要记录总结这一方法,不然以后忘记了debug的相关方法以及代码的改法 话不多说直接开始 一、pytorch—用gpu训练模型首先我们明确: pytorch允许把在GPU上训练的模型加载到CPU上,也允许把在CPU上训练的模型加载到GPU上。 在Pytorch中,只要在输入,输出,模型等后加.cuda()即可将模型由cpu上的运算调到gpu上运算。 首先需要确定自己的pytorch版本能否进行gpu计算。 print(torch.cuda.is_available())如果返回结果是true那么可以使用gpu进行计算,如果是false,那么说明要安装cuda或者gpu版本的pytorch了 ,还可以通过以下指令来识别可以使用的gpu个数: print(torch.cuda.device_count())那么平常我们在训练模型的时候我们首先要明确,我们训练模型的时候,要做的是将数据给模型,输出一个label去和标准的label算loss 因此我们需要将哪些部分放到gpu上面呢? 模型-----------需要加载到gpu上面数据-----------包括输入的x和输出的labelloss的function----------loss如果我们用的是torch中的一些functionu,那么也要放到gpu上面注意:训练数据 x ,y 和 模型 ,损失函数criterion.to(device) 都需要放到 gpu上 模型内部基于tensor 的计算结果不用 二、放到gpu上的方法我们首先要明确,只有模型以及类对象还有张量可以放到gpu上面 方法1:将CPU上的Tensor放到GPU上 x.cuda()或者 x.to(torch.device("cuda"))或者 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') x.to(device)所以一般我们这样写代码: 模型放在gpu上: if torch.cuda.is_available(): model.to(torch.device("cuda:0")) loss function放在gpu上: if torch.cuda.is_available(): criterion = torch.nn.L1Loss().to(torch.device("cuda")) else: criterion = torch.nn.L1Loss() 数据放在cuda上: if torch.cuda.is_available(): index = index.to(torch.device("cuda")) 或者 index.cuda()当index不是一个张量的时候,我们需要先转为张量 if torch.cuda.is_available(): index = torch.FloatTensor(index).to(torch.device("cuda")) 或者 index = torch.FloatTensor(index).cuda()比如以下例子: x = torch.cuda.FloatTensor(1) # x.get_device() == 0 y = torch.FloatTensor(1).cuda() # y.get_device() == 0 with torch.cuda.device(1): # allocates a tensor on GPU 1 a = torch.cuda.FloatTensor(1) # transfers a tensor from CPU to GPU 1 b = torch.FloatTensor(1).cuda() # a.get_device() == b.get_device() == 1 c = a + b # c.get_device() == 1 z = x + y # z.get_device() == 0 # even within a context, you can give a GPU id to the .cuda call d = torch.randn(2).cuda(2) # d.get_device() == 2注意,放到gpu上面的数据只能和gpu上的data进行计算,所以如果要对一个数据使用numpy操作的话,会将gpu上面的张量直接挪到cpu上面进行操作,之后再与gpu上面的数据做计算的话就会报错,这个点可以注意系a attention:当我们要把一个对象放到gpu上面的时候,只能 如上,g.to(device) 仅仅是返回一个对象,并不改变其自身的属性。因此,我们要想改变 g ,还需要将 g.to(device) 返回的对象赋值到 g 上。 g=g.to(torch.device("cuda:0") 总结今天讲了怎么在pytorch上面利用gpu跑程序,在我们修改我们cpu版本的代码的时候比较有用,主要修改的部分是训练数据 x ,y 和 模型 ,损失函数criterion.to(device) 都需要放到 gpu上 ,模型内部基于tensor 的计算结果不用 ,我们接收计算结果的时候将其自动保存到了cpu上面。 |
CopyRight 2018-2019 实验室设备网 版权所有 |