PyTorch学习笔记（16）--在GPU上实现神经网络模型训练

最新推荐文章于 2025-01-22 10:07:37 发布

我这一次

最新推荐文章于 2025-01-22 10:07:37 发布

阅读量9.8k

点赞数 18

分类专栏： PyTorch学习笔记文章标签： python pytorch 神经网络

本文链接：https://blog.youkuaiyun.com/weixin_43981621/article/details/119817487

版权

本文详细介绍如何在PyTorch中将CPU模型转换至GPU进行高效训练，包括代码修改方法及其实例，帮助读者理解GPU在深度学习中的优势和迁移过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

PyTorch学习笔记（16）–在GPU上实现神经网络模型训练

本博文是PyTorch的学习笔记，第16次内容记录，主要介绍如何在GPU上实现神经网络模型训练。

1.为什么要用GPU

1.1GPU是什么

在一台笔记本中往往会听到cpu这个词汇，是中央处理单元（central processing unit），但是随着人工智能技术的飞速发展，GPU这个词在计算机领域出现的次数也越来越多，到底GPU是什么呢？在百度百科上对GPU的描述如下：图形处理器（英语：graphics processing unit，缩写：GPU），又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上做图像和图形相关运算工作的微处理器。简单来说就是一个能加速图形数据处理的微处理器，GPU最大的生产厂家是NVIDIA（英伟达）。
通常情况下，个人购买的普通笔记本是不配备GPU显卡的，需要额外购买并加装GPU显卡，不同型号的显卡的价格也从几千元到几万元不等。对于深度学习和人工智能领域刚入门的学生党来说，这个价格不太友好，不过没关系，如果实验室的老师未购置GPU作为服务器使用，可以通过租用大厂的GPU服务器进行学习和模型训练，像腾讯云服务器就提供相应GPU服务器的租用，价格按小时收费的话，比自购GPU成本要低一些。

1.2用GPU训练网络模型的好处

采用GPU的好处主要可以体现在下列几个方面：
(1) 节约时间成本。
(2) 计算效率更高，尤其是在处理矩阵运算时，GPU的计算效率更高。
知乎大佬的文章细节更加详细，可以参考：为什么要用GPU来训练神经网络而不是CPU？

2.如何用GPU训练神经网络模型

2.1代码修改方法1

采用方法1实现GPU训练网络模型只需要将原来的CPU版本的代码进行小量修改即可，具体修改的位置包括下面3个地方：

网络模型
数据（输入、标注）
损失函数

只需找到上述3个位置的代码加上.cuda()操作即可实现将CPU版本的代码修改为GPU版本的代码。现以上一篇博文中完整的模型训练代码为例，讲解具体如何修改代码。修改之前的代码为：

# coding ：UTF-8
# 文件功能： 代码实现模型训练功能
# 开发人员： dpp
# 开发时间： 2021/8/19 11:16 上午
# 文件名称： train.py
# 开发工具： PyCharm

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

# from model import *
# 准备数据集
train_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=True,
                                          transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="CIFAR10", train=False,
                                         transform=torchvision.transforms.ToTensor(),
                                         download=True)

# len表示求解数据集的长度
train_data_size = len(train_data)
test_data_size = len(test_data)
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
# 搭载神经网络
class Test(nn.Module):
    def __init__(self):
        super(Test, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=32, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=5, stride=1, padding=2),
            nn.MaxPool2d(kernel_size=2),
            nn.Flatten(),
            nn.Linear(in_features=64*4*4, out_features=64),
            nn.Linear(in_features=64, out_features=10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
test = Test()

# 损失函数
loss_fn = nn.CrossEntropyLoss()

# 优化器
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
# 记录训练的轮数
epoch = 10