PyTorch使用GPU进行Tensor及模型计算

文章目录

[1. 计算设备：GPU/CPU](#1. 计算设备：GPU/CPU)
[2. Tensor的GPU计算](#2. Tensor的GPU计算)
[3. 模型的GPU计算](#3. 模型的GPU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。这里，我们将介绍如何使用单块NVIDIA GPU来计算。

首先，需要确保已经安装好了PyTorch GPU版本，具体操作步骤可以参考博客：Ubuntu 22.04安装cuda及Pytorch教程。

查看显卡占用情况：

bash 复制代码

nvidia-smi

每隔2s刷新一次显卡占用情况：

python 复制代码

watch -n 2 nvidia-smi

输出如下：

可以看到我这里只有两块 NVIDIA GeForce RTX 2080，单块显卡有11G的显存。

1. 计算设备：GPU/CPU

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。

查看GPU是否可用:

python 复制代码

torch.cuda.is_available() # 输出 True

查看GPU数量：

python 复制代码

torch.cuda.device_count() # 输出 2

查看当前GPU索引号，索引号从0开始：

python 复制代码

torch.cuda.current_device() # 输出 0

根据索引号查看GPU名字:

python 复制代码

torch.cuda.get_device_name(0) # 输出 'GeForce RTX 2080'

2. Tensor的GPU计算

默认情况下，Tensor会被存在内存上（即CPU中）。因此，之前我们每次打印Tensor的时候看不到GPU相关标识。

python 复制代码

x = torch.tensor([1, 2, 3])
x

输出：

python 复制代码

tensor([1, 2, 3])

1. 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。

python 复制代码

x = x.cuda(0)
x

输出：

python 复制代码

tensor([1, 2, 3], device='cuda:0')

2. 通过Tensor的device属性来查看该Tensor所在的设备：

python 复制代码

x.device

输出：

python 复制代码

device(type='cuda', index=0)

3. 创建Tensor时指定设备：

我们也可以直接在创建Tensor时就指定设备。

python 复制代码

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

x = torch.tensor([1, 2, 3], device=device)
# or
x = torch.tensor([1, 2, 3]).to(device)
x

输出：

python 复制代码

tensor([1, 2, 3], device='cuda:0')

4. 如果对在GPU上的数据进行运算，那么结果还是存放在GPU上。

python 复制代码

y = x**2
y

输出：

python 复制代码

tensor([1, 4, 9], device='cuda:0')

5. GPU与CPU无法混用。

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。

python 复制代码

z = y + x.cpu()

会报错:

python 复制代码

RuntimeError: Expected object of type torch.cuda.LongTensor but found type torch.LongTensor for argument #3 'other'

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。

python 复制代码

net = nn.Linear(3, 1)
list(net.parameters())[0].device

输出：

python 复制代码

device(type='cpu')

可见模型在CPU上。

1. 将模型转换到GPU上:

python 复制代码

net.cuda()
list(net.parameters())[0].device

输出：

python 复制代码

device(type='cuda', index=0)

2. 模型输入的Tensor和模型需在同一设备上。

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。

这里，我们给出两种将Tensor和模型转换到GPU设备上的写法：

python 复制代码

import torch

x = torch.rand(2, 3)
net = nn.Linear(3, 1)

写法1：基于 cuda() 函数

python 复制代码

x = x.cuda()
net = net.cuda()
net(x)

写法2：基于 to(device) 函数 （推荐）

python 复制代码

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

x = x.to(device)
net = net.to(device)
net(x)

to(device) 这种写法可以自动化获取设备（CPU或GPU），并将Tensor和Model自动转化到设备上，在实际使用过程中更为常见。

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') 自动获取设备。

x = x.to(device) 基于 to()函数将张量数据转换到GPU设备上。

net = net.to(device) 基于 to()函数将模型转换到GPU设备上。

输出：

python 复制代码

tensor([[-0.5800],
        [-0.2995]], device='cuda:0', grad_fn=<ThAddmmBackward>)