今天小编就为大家分享一篇Pytorch 多块GPU的使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
注：本文针对单个服务器上多块GPU的使用，不是多服务器多GPU的使用。
在一些实验中，由于Batch_size的限制或者希望提高训练速度等原因，我们需要使用多块GPU。本文针对Pytorch中多块GPU的使用进行说明。
1. 设置需要使用的GPU编号
import os os.environ["CUDA_VISIBLE_DEVICES"] = "0,4" ids = [0,1]
比如我们需要使用第0和第4块GPU，只用上述三行代码即可。
其中第二行指程序只能看到第1块和第4块GPU；
第三行的0即为第二行中编号为0的GPU；1即为编号为4的GPU。
2.更改网络，可以理解为将网络放入GPU
class CNN(nn.Module): def __init__(self): super(CNN,self).__init__() self.conv1 = nn.Sequential( ...... ) ...... self.out = nn.Linear(Liner_input,2) ...... def forward(self,x): x = self.conv1(x) ...... output = self.out(x) return output,x cnn = CNN() # 更改，.cuda()表示将本存储到CPU的网络及其参数存储到GPU！ cnn.cuda()
3. 更改输出数据(如向量/矩阵/张量):
for epoch in range(EPOCH): epoch_lo<strong style="color:transparent">来源gaodai#ma#com搞@@代~&码网</strong>ss = 0. for i, data in enumerate(train_loader2): image = data['image'] # data是字典，我们需要改的是其中的image #############更改！！！################## image = Variable(image).float().cuda() ############################################ label = inputs['label'] #############更改！！！################## label = Variable(label).type(torch.LongTensor).cuda() ############################################ label = label.resize(BATCH_SIZE) output = cnn(image)[0] loss = loss_func(output, label) # cross entropy loss optimizer.zero_grad() # clear gradients for this training step loss.backward() # backpropagation, compute gradients optimizer.step() ... ...
4. 更改其他CPU与GPU冲突的地方
有些函数必要在GPU上完成，例如将Tensor转换为Numpy，就要使用data.cpu().numpy()，其中data是GPU上的Tensor。
若直接使用data.numpy()则会报错。除此之外，plot等也需要在CPU中完成。如果不是很清楚哪里要改的话可以先不改，等到程序报错了，再哪里错了改哪里，效率会更高。例如：
... ... ################################################# pred_y = torch.max(test_train_output, 1)[1].data.cpu().numpy() accuracy = float((pred_y == label.cpu().numpy()).astype(int).sum()) / float(len(label.cpu().numpy()))
假如不加.cpu()便会报错，此时再改即可。
5. 更改前向传播函数，从而使用多块GPU
以VGG为例：
class VGG(nn.Module): def __init__(self, features, num_classes=2, init_weights=True): super(VGG, self).__init__() ... ... def forward(self, x): #x = self.features(x) #################Multi GPUS############################# x = nn.parallel.data_parallel(self.features,x,ids) x = x.view(x.size(0), -1) # x = self.classifier(x) x = nn.parallel.data_parallel(self.classifier,x,ids) return x ... ...
然后就可以看运行结果啦，nvidia-smi查看GPU使用情况：
可以看到0和4都被使用啦
以上这篇Pytorch 多块GPU的使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持gaodaima搞代码网。
以上就是Pytorch 多块GPU的使用详解的详细内容，更多请关注gaodaima搞代码网其它相关文章！
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Pytorch 多块GPU的使用详解
转载请注明原文链接：Pytorch 多块GPU的使用详解
