1 设置GPU的一些操作
设置在os端哪些GPU可见，如果不可见，那肯定是不能够调用的~
|
1
2
3
|
import os
GPU = '0,1,2'
os.environ['CUDA_VISIBLE_DEVICES'] =GPU
|
torch.cuda.is_available()查看cuda是否可用。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
if torch.cuda.is_available():
torch.backends.cudnn.benchmark = True
'''
如果网络的输入数据维度或类型上变化不大，设置 torch.backends.cudnn.benchmark = true
可以增加运行效率；
如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，
这样反而会降低运行效率。
这下就清晰明了很多了。
Benchmark模式会提升计算速度，但是由于计算中有随机性，每次网络前馈结果略有差异。
torch.backends.cudnn.benchmark = True
如果想要避免这种结果波动，设置：
torch.backends.cudnn.deterministic = True
'''
|
这句话也很常见，设置默认的device，优先gpu。
|
1
|
device = 'cuda' if torch.cuda.is_available() else 'cpu'
|
cpu挪到gpu
|
1
2
3
4
5
6
|
# 也可以是 device = torch.device('cuda:0')
device = torch.device('cuda')
a = torch.tensor([1,2,3])
b = a.to(device )
print(a)
print(b)
|
out：
tensor([1, 2, 3])
tensor([1, 2, 3], device='cuda:0')
判断变量是否基于GPU。
|
1
|
a.is_cuda
|
查看有几个可用GPU。
|
1
|
torch.cuda.device_count()
|
查看GPU算力
|
1
2
|
# 返回gpu最大和最小计算能力，是一个tuple
torch.cuda.get_device_capability()
|
设置默认哪一个GPU运算。
|
1
2
|
# 里面输入int类型的数字
torch.cuda.set_device()
|
抓取指定gpu的全名。
|
1
2
3
|
if torch.cuda.is_available():
device = torch.device('cuda')
print('Using GPU: ', torch.cuda.get_device_name(0))
|
out：
'GeForce GTX 1050'
2 直接在gpu创建
方法一：
|
1
2
|
a = torch.ones(3,4,device="cuda")
print(a)
|
out:
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]], device='cuda:0')
方法二：
|
1
2
|
a = torch.cuda.FloatTensor(3, 4)
print(a)
|
out:
tensor([[-1., -1., -1., -1.],
[-1., -1., -1., -1.],
[-1., -1., -1., -1.]], device='cuda:0')
3 从cpu转移到gpu
方法一：tensor.to()
|
1
2
3
4
|
a = torch.ones(3,4)
b = a.to("cuda")
print(a)
print(b)
|
out:
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]], device='cuda:0')
注意：.to()不仅可以转移device，还可以修改数据类型，比如：a.to(torch.double)
方法二：tensor.cuda()
|
1
|
a = torch.tensor([1., 2.]).cuda()
|
方法三：tensor.type()
|
1
2
|
dtype = torch.cuda.FloatTensor
x = torch.rand(2,2).type(dtype)
|
方法四：torch.from_numpy(np_labels).cuda()
|
1
|
wm_labels = torch.from_numpy(np_labels).cuda()
|
4 在cuda中训练模型
在默认情况下，模型参数的优化（即训练）是在cpu上进行的，如果想要挪到GPU，得做如下修改：
|
1
2
3
4
5
6
7
8
|
import torch.nn as nn
#假设前面已经定义好了模型
#创建模型
Hidnet = UnetGenerator_mnist()
#把模型放入GPU
Hidnet = nn.DataParallel(Hidnet.cuda())
#查看模型参数
list(Hidnet.parameters())[0]
|
out:
Parameter containing:
tensor([[[[ 0.1315, 0.0562, 0.1186],
[-0.1158, 0.1394, -0.0399],
[ 0.1728, 0.1051, -0.1034]],[[ 0.1702, -0.1208, -0.1134],
[-0.1449, 0.1912, 0.1727],
[ 0.1562, 0.1601, 0.1055]],[[ 0.1031, -0.0062, -0.0068],
[-0.0453, 0.1150, 0.0366],
[ 0.0680, -0.1234, -0.0988]]]], device='cuda:0', requires_grad=True)
可以看到 device=‘cuda:0' 啦
pytorch 查看cuda 版本
由于pytorch的whl 安装包名字都一样，所以我们很难区分到底是基于cuda 的哪个版本。
有一条指令可以查看
|
1
2
|
import torch
print(torch.version.cuda)
|
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/weixin_42468475/article/details/108758628