Pytorch中实现CPU和GPU之间的切换的两种方法

目录

• 方法一：.to(device)
• 1.不知道电脑GPU可不可用时：
• ２.指定GPU时
• 3.指定cpu时：
• 方法二：
• 总结：

如何在pytorch中指定CPU和GPU进行训练，以及cpu和gpu之间切换

由CPU切换到GPU，要修改的几个地方：

网络模型、损失函数、数据（输入，标注）

# 创建网络模型
tudui = Tudui()
if torch.cuda.is_available():
   tudui = tudui.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

# 数据输入   包括训练和测试的代码，二者都需要添加此代码
if torch.cuda.is_available():
   imgs = imgs.cuda()
   targets = targets.cuda()

方法一：.to(device)

1.不知道电脑GPU可不可用时：

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

第一行代码的意思是判断电脑GPU可不可用，如果可用的话device就采用cuda()即调用GPU，不可用的话就采用cpu()即调用CPU。

第二行代码的意思就是把变量放到对应的device上（当然如果你用的是CPU的话就不用这一步了，因为变量默认是存在CPU上的，调用GPU的话要先把变量放到GPU上跑，跑完之后再调回CPU上）

２.指定GPU时

# 定义训练的设备
device = torch.device("cuda:0")

# 网络模型创建
tudui = Tudui()
tudui = tudui.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

# 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets=data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

# 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets=data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1)==targets).sum()
            total_accuracy = total_accuracy + accuracy

3.指定cpu时：

device = torch.device('cpu')

方法二：

1、需要修改的

# 三种常见的写法
device = torch.device('cuda')
device = torch.device('cuda: 0')
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

2、代码

# 创建模型
tudui = Tudui()
if torch.cuda.is_available():
   tudui = tudui.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()

# 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets=data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

 # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets=data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1)==targets).sum()
            total_accuracy = total_accuracy + accuracy

总结：

推荐方法一，如果自己电脑是只有CPU，可以推荐使用云端服务器，比如PaddlePaddle，Google colab，这些服务器由每周免费八个小时的使用时间，可供我们基本的需求。

到此这篇关于Pytorch中实现CPU和GPU之间的切换的两种方法的文章就介绍到这了,更多相关Pytorch CPU和GPU切换内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！