鄂州网站seo,室内设计联盟官方网站入口,广州公司注册官网,昆明网站建设wang.cd注#xff1a;本文为《动手学深度学习》开源内容#xff0c;部分标注了个人理解#xff0c;仅为个人学习记录#xff0c;无抄袭搬运意图 4.6 GPU计算
到目前为止#xff0c;我们一直在使用CPU计算。对复杂的神经网络和大规模的数据来说#xff0c;使用CPU来计算可能不够… 注本文为《动手学深度学习》开源内容部分标注了个人理解仅为个人学习记录无抄袭搬运意图 4.6 GPU计算
到目前为止我们一直在使用CPU计算。对复杂的神经网络和大规模的数据来说使用CPU来计算可能不够高效。在本节中我们将介绍如何使用单块NVIDIA GPU来计算。所以需要确保已经安装好了PyTorch GPU版本。准备工作都完成后下面就可以通过nvidia-smi命令来查看显卡信息了。
!nvidia-smi # 对Linux/macOS用户有效输出
Sun Mar 17 14:59:57 2019
-----------------------------------------------------------------------------
| NVIDIA-SMI 390.48 Driver Version: 390.48 |
|---------------------------------------------------------------------------
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
||
| 0 GeForce GTX 1050 Off | 00000000:01:00.0 Off | N/A |
| 20% 36C P5 N/A / 75W | 1223MiB / 2000MiB | 0% Default |
--------------------------------------------------------------------------------------------------------------------------------------------------------
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
||
| 0 1235 G /usr/lib/xorg/Xorg 434MiB |
| 0 2095 G compiz 163MiB |
| 0 2660 G /opt/teamviewer/tv_bin/TeamViewer 5MiB |
| 0 4166 G /proc/self/exe 416MiB |
| 0 13274 C /home/tss/anaconda3/bin/python 191MiB |
-----------------------------------------------------------------------------可以看到我这里只有一块GTX 1050显存一共只有2000M太惨了。
4.6.1 计算设备
PyTorch可以指定用来存储和计算的设备如使用内存的CPU或者使用显存的GPU。默认情况下PyTorch会将数据创建在内存然后利用CPU来计算。
用torch.cuda.is_available()查看GPU是否可用:
import torch
from torch import nntorch.cuda.is_available() # 输出 True查看GPU数量
torch.cuda.device_count() # 输出 1查看当前GPU索引号索引号从0开始
torch.cuda.current_device() # 输出 0根据索引号查看GPU名字:
torch.cuda.get_device_name(0) # 输出 GeForce GTX 10504.6.2 Tensor的GPU计算
默认情况下Tensor会被存在内存上。因此之前我们每次打印Tensor的时候看不到GPU相关标识。
x torch.tensor([1, 2, 3])
x输出
tensor([1, 2, 3])使用.cuda()可以将CPU上的Tensor转换复制到GPU上。如果有多块GPU我们用.cuda(i)来表示第 i i i 块GPU及相应的显存 i i i从0开始且cuda(0)和cuda()等价。
x x.cuda(0)
x输出
tensor([1, 2, 3], devicecuda:0)我们可以通过Tensor的device属性来查看该Tensor所在的设备。
x.device输出
device(typecuda, index0)我们可以直接在创建的时候就指定设备。
device torch.device(cuda if torch.cuda.is_available() else cpu)x torch.tensor([1, 2, 3], devicedevice)
# or
x torch.tensor([1, 2, 3]).to(device)
x输出
tensor([1, 2, 3], devicecuda:0)如果对在GPU上的数据进行运算那么结果还是存放在GPU上。
y x**2
y输出
tensor([1, 4, 9], devicecuda:0)需要注意的是存储在不同位置中的数据是不可以直接进行计算的。即存放在CPU上的数据不可以直接与存放在GPU上的数据进行运算位于不同GPU上的数据也是不能直接进行计算的。
z y x.cpu()会报错:
RuntimeError: Expected object of type torch.cuda.LongTensor but found type torch.LongTensor for argument #3 other4.6.3 模型的GPU计算
同Tensor类似PyTorch模型也可以通过.cuda转换到GPU上。我们可以通过检查模型的参数的device属性来查看存放模型的设备。
net nn.Linear(3, 1)
list(net.parameters())[0].device输出
device(typecpu)可见模型在CPU上将其转换到GPU上:
net.cuda()
list(net.parameters())[0].device输出
device(typecuda, index0)同样的我么需要保证模型输入的Tensor和模型都在同一设备上否则会报错。
x torch.rand(2,3).cuda()
net(x)输出
tensor([[-0.5800],[-0.2995]], devicecuda:0, grad_fnThAddmmBackward)小结
PyTorch可以指定用来存储和计算的设备如使用内存的CPU或者使用显存的GPU。在默认情况下PyTorch会将数据创建在内存然后利用CPU来计算。PyTorch要求计算的所有输入数据都在内存或同一块显卡的显存上。 注本节与原书此节有一些不同原书传送门
