CNN pytorch 使用GPU算力

已于 2024-06-22 10:41:15 修改
阅读量1.2k 收藏 29
点赞数 22
CC 4.0 BY-SA版权
文章标签： cnn pytorch gpu算力
于 2023-11-28 10:25:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/rowangame/article/details/134660506

NVIDIA的CUDA是指什么?

NVIDIA的CUDA（Compute Unified Device Architecture）是一种并行计算平台和编程模型，旨在利用NVIDIA图形处理器（GPU）的强大并行计算能力。CUDA使开发人员能够使用C语言、C++、Fortran等编程语言来编写能够在GPU上并行执行的程序。

CUDA的主要目标是充分发挥GPU的大规模并行性能，使其不仅用于图形处理，还用于一般的科学计算和其他高性能计算应用。通过CUDA，开发人员可以将计算任务分解成许多小的并行任务，然后在GPU上同时执行这些任务，从而加速整体计算过程。

CUDA包括一个编程模型、一套用于管理GPU资源的API（应用程序接口），以及一种在GPU上执行的并行计算指令集。它已成为广泛用于科学计算、深度学习、图形学等领域的标准工具之一。

CUDA 环境安装(Win10 64位)参考笔记：

1.前提条件：
设备上安装了NVIDIA显卡设备
2.查看显卡版本号:
NVIDIA控制面板->系统信息(左下角)->组件->显卡CUDA驱动的版本号
3.下载安装CUDA :
https://developer.nvidia.com/cuda-toolkit-archive
注:CUDA开发包版本要与显卡CUDA驱动的版本号对应
4.下载安装cuDNN (要与CUDA开发包的版本对应)
https://developer.nvidia.com/cudnn
注:需要注册账号(提交相关问题, 可随意填写)
5. 安装CUDA:
向导默认安装
6.安装cuDNN:
I.打开cuda安装文件夹，默认的强制安装路径为:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\版本号:
II.将解压的cuDNN压缩包内的三个文件夹复制到CUDA安装目录下：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\版本号 \bin,include,lib
III.验证cuDNN是否安装完成:
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\extras\demo_suite
执行: bandwidthTest.exe
控制台显示: Result=pass 表示GPU环境安装成功
注：安装CUDA的图文帮助文档可参考(亲测成功):
https://blog.youkuaiyun.com/qq_38140292/article/details/114157146

CUDA C编程接口官方文档:

https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#compute-capabilities

查看显卡算力：

https://developer.nvidia.com/cuda-gpus#compute
如本人机器:GeForce GTX 1650 Ti > GeForce GTX 1650 有 7.5 的计算性能

Pytorch使用CUDA

安装时torchVision与torch版本要对应上,版本对应关系可参考：
https://www.zhihu.com/question/566477739
注意：如果版本没对应上,Pytorch使用CUDA不会起作用，还是会使用CPU的算力

负熵笔记
关注
pytorch版本对计算能力的要求
qq_44159782的博客
12-15 1万+
一、pytorch对计算能力要求 首先查看pytorch是否可用cuda完整流程应该是先查看是否在当前环境下的python In [1]: import sys In [2]: sys.executable Out[2]: '/home/xt/anaconda3/envs/xia/bin/python' 接着查看cuda是否安装 torch.cuda.is_available() //True 只是检测CUDA是否安装正确并能被Pytorch检测到。 接着验证是否能正常使用，要想看Pytorch能不能
基于Pytorch使用GPU运行模型方法及可能出现的问题解决方法
rothschild666的博客
10-21 3252
在基于pytorch深度学习进行模型训练和预测的时候，往往数据集比较大，而且模型也可能比较复杂，但如果直接训练调用CPU运行的话，计算运行速度很慢，因此使用GPU进行模型训练和预测是非常有必要的，可以大大提高实验效率。如果还没有配置好运行环境的博友们可以参考下面博主的文章。
用Pytorch训练CNN(数据集MNIST,使用GPU的方法)
09-18
今天小编就为大家分享一篇用Pytorch训练CNN(数据集MNIST,使用GPU的方法)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
GPU版本的pytorch深度学习环境配置及踩坑预警
qq_47674267的博客
11-01 1109
GPU版本的pytorch深度学习环境配置及踩坑预警
gpu算力cuda版本torch版本终于搞懂了！
weixin_43603400的博客
01-25 5410
查看gpu的名称算力—在python控制台中/cmd终端nvidia-smi查看当前cuda的版本—在cmd终端stat cuda查看当前使用的cuda是什么版本的实际上就是查看/usr/local/cuda这个软链接指向的那个cuda版本安装文件nvcc -V和第一个命令一个意思。
【pytorch】深度学习所需算力估算：flops及模型参数量
热门推荐
种一棵树最好的时间是十年前，其次是现在
03-22 1万+
因为8GB显卡的实际可用显存约为7500MB左右，可以满足模型在最大推理batchsize下的显存需求，同时还有一定的余量，可以保证模型能够正常运行。在部署时，需要考虑芯片的显存，是因为显存的大小限制了模型的最大批次大小。如果模型的批次大小超过了显存的大小，那么就无法将整个批次的数据同时加载到显存中，需要分批处理，这会增加模型推理的时间。这是因为模型的参数需要存储在显存中，而在计算过程中，也会涉及到一些中间结果的存储和计算，所以需要足够的显存来支持模型的运行。一般来说，批量大小越大，需要的计算能力就越大。
详细介绍Pytorch基于GPU训练的一般套路（device)
hello！
08-14 1559
检查 GPU 可用性并选择设备。将模型移动到 GPU。在训练和评估循环中，将数据移动到 GPU。在保存和加载模型时，确保模型参数在 GPU 上。在 PyTorch 中，使用 GPU 进行模型训练可以显著提高训练速度，尤其是在处理大规模数据集和复杂模型时。以下是基于 GPU 训练的一般套路，包括数据准备、模型定义、损失函数和优化器的选择、训练循环、评估和测试，以及模型保存和加载。定义一个神经网络模型，通常继承自，并在__init__方法中定义网络层，在forward方法中定义前向传播过程。
python pytorch gpu_PyTorch-GPU加速实例
weixin_40002224的博客
12-21 934
硬件：NVIDIA-GTX1080软件：Windows7、python3.6.5、pytorch-gpu-0.4.1一、基础知识将数据和网络都推到GPU，接上.cuda()二、代码展示import torchimport torch.nn as nnimport torch.utils.data as Dataimport torchvision# torch.manual_seed(1)EPOC...
Pytorch学习笔记——在GPU上进行训练
weixin_50765519的博客
07-23 2394
Conv2d(3, 32, 5, padding=2), # 第一次卷积MaxPool2d(2), # 第一次最大池化Conv2d(32, 32, 5, padding=2), # 第二次卷积MaxPool2d(2), # 第二次最大池化Conv2d(32, 64, 5, padding=2), # 第三次卷积MaxPool2d(2), # 第三次最大池化Flatten(), # 展平层Linear(1024, 64), # 第一个全连接层Linear(64, 10), # 第二个全连接层。
CNN 使用GPU训练模型
rowangame的博客
11-28 923
将数据迁移到GPU上
FasterRCNN-pytorch:FasterRCNN在VGG，ResNet和FPN基础中实现
05-13
更快的RCNN-pytorch FasterRCNN在VGG，ResNet和FPN基础中实现。 参考： rbg的FasterRCNN代码： : 模型表现 在VOC2017上进行培训在VOC2017上进行测试 骨干 地图 VGG16 0.7061 ResNet101 0.754 训练模型 1.运行前，您需要： 光盘./lib 在make.sh和setup.py中更改gpu_id。 具体来说，您需要在make.sh的第5、12和19行以及setup.py的第143行中修改参数设置，其中包含关键字“ -arch =”取决于您的gpu模型。（选择适当的体系结构，见下表） sh make.sh GPU型号 建筑学 TitanX（麦克斯韦/帕斯卡） sm_52 GTX 960M sm_50 GTX 108（钛） sm_61 网格K520（AWS g2.2xlarge
FurMark显卡速度测试工具
02-26
FurMark，测量显卡的运算速度。可以在装机时做对比。选择性价比高的配置
Faster R-CNN基于pytorch的原理
zm147451753的博客
03-27 1574
相关资料以及下载 代码地址：https://github.com/ruotianluo/pytorch-faster-rcnn.git 原理参考：https://blog.youkuaiyun.com/zm147451753/article/details/88218619 代码编译和运行 代码使用方法，暂时没找到win系统下的方法，为此，我安装了unbuntu，还是蛮好用的。 代码的编译运行...
跑通Faster-RCNN Pytorch-1.0以及如何训练自己的数据集（详细到发抖）
HeiZee的博客
12-04 1万+
目录 1.环境配置 1.1 安装cuda 1.2 安装cudnn 1.3 安装Pytorch 2.Faster-RCNN 2.1 下载Faster-RCNN pytorch1.0代码 1.环境配置 系统：ubuntu20.04 显卡：RTX3060 cuda11.3+cudnn8.2.1 参考博客：https://blog.youkuaiyun.com/wanzhen4330/article/details/81699769 python 3.6 + Anaconda Pytorch-1.7.1 1.
Faster R-CNN 论文详解【论文笔记 + pytorch实现 附.pth权重文件】
Bryce-HJ
08-16 3745
Contents写在前面0 Abstract1 Introduction2 FASTER R-CNN2.1 RPN(Region Proposal Networks)2.1.1 Anchor2.1.2 损失函数2.1.3 训练RPNs2.2 RPN和Fast R-CNN共享特征2.3 实现细节3 汇总网络执行过程3.1 Conv layers3.2 Region Proposal Networks3.3 RoI pooling3.4 Classification3.5 TIPs4 pytorch实现 写在前
2.1【Pytorch版(torch-cuda版 ) Mask-RCNN 训练自己的数据集】
木易进
05-15 1万+
写在前面：由于课程试验要求，需要基于pytorch实现maskrcnn，so最近又跑了一下pytorch版的maskrcnn，官方已经给出了详细的教程，虽然说支持cpu推理，但是不支持cpu训练啊，奈何手头上只有一个cpu本，也没有nvida显卡，只有intel的集显，so整理一波本次训练maskrcnn的过程。 这篇blog是按照常规的torch版的maskrcnn的训练教程写的，理论上，所依赖的是torch-cuda版本，后续还有一篇是基于torch-cpu版本的。因为在试验过程中先踩了这部分的坑，.
pytorch深度学习（10）：卷积神经网络（CNN）并尝试在GPU上运行模型
谁最温柔最有派
12-01 2232
以pytorch深度学习（9）：加载MNIST数据集，使用Softmax进行多分类 一文中的例子，使用卷积层神经元，并将模型和数据放在gpu上运行 代码如下： import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.functional as F import torch.optim as o
《PyTorch深度学习实践》10CNN基础（GPU版本）
qq_41915623的博客
04-24 1312
1. 说明 本系列博客记录B站课程《PyTorch深度学习实践》的实践代码课程链接请点我 2. 代码（代码有比较详细的注释） # --------------------------- # @Time : 2022/4/21 11:23 # @Author : lcq # @File : 10_CNN_GPU_base.py # @Function : # --------------------------- import torch from torchvision import
深度学习Week 1,pytorch建立CNN网络--实现mnist手写数字识别
m0_63880699的博客
12-23 1044
实现mnist手写数字识别
pytorch使用gpu训练模型示例
最新发布
06-19
### PyTorch GPU 训练模型示例代码 在使用 PyTorch 进行 GPU 训练时，需要确保模型、输入数据以及目标张量均被移动到 GPU 上。以下是一个完整的示例代码，展示了如何将模型和数据加载到 GPU 并进行训练[^1]。 ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # 检查是否有可用的GPU device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # 定义一个简单的卷积神经网络 class SimpleCNN(nn.Module): def __init__(self): super(SimpleCNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, kernel_size=3, stride=1, padding=1) self.relu = nn.ReLU() self.pool = nn.MaxPool2d(kernel_size=2, stride=2, padding=0) self.fc = nn.Linear(32 * 14 * 14, 10) def forward(self, x): x = self.pool(self.relu(self.conv1(x))) x = x.view(-1, 32 * 14 * 14) x = self.fc(x) return x # 初始化模型并将其移动到GPU model = SimpleCNN().to(device) # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 加载MNIST数据集 transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True) # 训练模型 for epoch in range(5): # 训练5个epoch model.train() for batch_idx, (data, target) in enumerate(train_loader): # 将数据和目标张量移动到GPU data, target = data.to(device), target.to(device) # 前向传播 output = model(data) loss = criterion(output, target) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() if batch_idx % 100 == 0: print(f"Epoch [{epoch+1}/5], Step [{batch_idx+1}/{len(train_loader)}], Loss: {loss.item():.4f}") ``` ### 注意事项 1. 在训练之前，必须检查设备是否支持 GPU，并通过 `torch.device` 设置设备。 2. 使用 `.to(device)` 方法将模型、输入数据和目标张量移动到指定设备上。 3. 如果需要保存模型，可以使用 `torch.save` 保存模型权重或完整模型[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值