ROCm上运行深度卷积神经网络（AlexNet）

配置环境

bash 复制代码

conda create --name d2l python=3.9 -y
conda activate d2l
pip install d2l==0.17.6
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/rocm6.0
mkdir d2l-zh && cd d2l-zh
curl https://zh-v2.d2l.ai/d2l-zh-2.0.0.zip -o d2l-zh.zip
unzip d2l-zh.zip && rm d2l-zh.zip
cd pytorch
jupyter notebook

代码

python 复制代码

import torch
from torch import nn
from d2l import torch as d2l

net = nn.Sequential(
    # 这里使用一个11*11的更大窗口来捕捉对象。
    # 同时，步幅为4，以减少输出的高度和宽度。
    # 另外，输出通道的数目远大于LeNet
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数
    nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    # 使用三个连续的卷积层和较小的卷积窗口。
    # 除了最后的卷积层，输出通道的数量进一步增加。
    # 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度
    nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Flatten(),
    # 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合
    nn.Linear(6400, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    nn.Linear(4096, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    # 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000
    nn.Linear(4096, 10))

X = torch.randn(1, 1, 224, 224)
for layer in net:
    X=layer(X)
    print(layer.__class__.__name__,'output shape:\t',X.shape)

batch_size = 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)

lr, num_epochs = 0.01, 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

代码解析

这段代码定义了一个卷积神经网络（CNN）并训练了Fashion-MNIST数据集的图像分类任务。它使用PyTorch框架中的API来实现，并且模仿了AlexNet的一般结构，这是一个著名的网络结构，常用于图像识别任务。以下是代码解析的逐步解释：

导入相关模块：

torch：PyTorch深度学习框架的根模块。
nn：PyTorch中的模块，包含构建神经网络所需的所有组件。
d2l：这是用于深度学习的一个辅助库（"Dive into Deep Learning"的缩写）。可能需要单独安装。

定义网络结构：`net`变量是一个由多个层组成的序贯模型（`nn.Sequential`），每一层的操作如下：

第一个卷积层：使用11x11的卷积核，96个输出通道，步幅为4，边缘填充为1。
激活函数ReLU：应用非线性激活函数。
最大池化层：使用3x3的窗口进行最大池化操作，步幅为2。
第二个卷积层：使用5x5的卷积核，256个输出通道，边缘填充为2。
三个连续的卷积层：每层使用3x3的卷积核，输出通道分别为384, 384, 256，并且有边缘填充以保持图像尺寸。
另一个最大池化层。
展平层：将二维输出展平以便输送给全连接层。
两个全连接层：具有4096个输出神经元，并且每层之后有Dropout操作，防止过拟合。
输出层：最后一个全连接层，将4096维的特征映射到10个类别上，对应Fashion-MNIST数据集的10个分类。

查看各层输出：通过遍历网络的每一层，输入一个随机生成的数据`X`（尺寸为1x1x224x224，代表一批大小为1的224x224像素的单通道图像），并打印各层的输出形状。
数据加载与预处理：加载Fashion-MNIST数据集，并调整图像大小到224x224，以匹配网络输入的期望大小。`batch_size`指定了批次大小。
定义超参数并开始训练：设置学习率为0.01，训练周期为10，然后调用`d2l.train_ch6`函数，开始训练过程。在训练过程中，这个函数将迭代数据集，并使用GPU（如果可用）进行计算。

ROCm (Radeon Open Compute) 提供了一个开放的生态系统，用于计算密集的任务，如深度学习。如果你要在支持ROCm的AMD GPU上运行深度学习模型（例如AlexNet），你需要确保ROCm已经安装在你的系统中，并且PyTorch与ROCm兼容。

在ROCm上运行PyTorch模型并不需要改变标准PyTorch模型的代码。然而，确保环境设置正确是至关重要的。下面是使用ROCm进行深度学习训练的一般步骤，我将以AlexNet为例说明：

安装ROCm

参考ROCm的官方文档，根据你的操作系统安装ROCm。
安装ROCm支持的PyTorch。你可以从PyTorch的官网获得与ROCm兼容的PyTorch安装命令。

请确保从PyTorch官网获取正确适配你的ROCm版本的安装命令。

运行AlexNet模型

由于你已经有了AlexNet模型的代码，且已经使用标准的PyTorch API编写，你不需要对模型代码本身做出改变。但在你开始训练模型之前，你需要确保代码运行在ROCm支持的GPU上。

对模型代码进行以下修改以便使用ROCm：

将模型移到GPU上

python

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

net.to(device) # Move your model to GPU

确保所有的张量也被送到GPU上

python

X = X.to(device) # Move your tensors to GPU

修改数据加载器，以便将数据传送到GPU

python

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)

在`load_data_fashion_mnist`函数中，确保数据在被提供给模型前移到GPU上。

接着，你可以像在标准PyTorch环境中一样使用`train_ch6`函数来训练模型。只要你的环境设置正确，ROCm将自动在AMD GPU上进行相关的计算。确保通过调用`d2l.try_gpu()`函数把模型和数据传送到正确的设备。