个人中心
文章发布
退出
作者热门文章
- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
27
4
CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.
这篇CFSDN的博客文章pytorch 如何用cuda处理数据由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.
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' 。
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') 。
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()
|
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 。
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我.
原文链接：https://blog.csdn.net/weixin_42468475/article/details/108758628 。
最后此篇关于pytorch 如何用cuda处理数据的文章就讲到这里了,如果你想了解更多关于pytorch 如何用cuda处理数据的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
27
4
0
已关闭。此问题不符合Stack Overflow guidelines 。目前不接受答案。 这个问题似乎与 help center 中定义的范围内的编程无关。 . 已关闭 3 年前。 此帖子于去年编辑
据我所知，在使用 GPU 训练和验证模型时，GPU 内存主要用于加载数据，向前和向后。据我所知，我认为 GPU 内存使用应该相同 1) 训练前，2) 训练后，3) 验证前，4) 验证后。但在我的例子中
我正在尝试在 PyTorch 中将两个复数矩阵相乘，看起来 the torch.matmul functions is not added yet to PyTorch library for com
我正在尝试定义二分类问题的损失函数。但是，目标标签不是硬标签0，1，而是0~1之间的一个 float 。 Pytorch 中的 torch.nn.CrossEntropy 不支持软标签，所以我想自己写
我正在尝试让 PyTorch 与 DataLoader 一起工作，据说这是处理小批量的最简单方法，在某些情况下这是获得最佳性能所必需的。 DataLoader 需要一个数据集作为输入。 大多数关于 D
Pytorch Dataloader 的迭代顺序是否保证相同(在温和条件下)？ 例如: dataloader = DataLoader(my_dataset, batch_size=4,
PyTorch 的负对数似然损失，nn.NLLLoss定义为: 因此，如果以单批处理的标准重量计算损失，则损失的公式始终为: -1 * (prediction of model for correct
在PyTorch中，new_ones()与ones()有什么区别。例如， x2.new_ones(3,2, dtype=torch.double) 与 torch.ones(3,2, dtype=to
假设我有一个矩阵 src带形状(5, 3)和一个 bool 矩阵 adj带形状(5, 5)如下， src = tensor([[ 0, 1, 2], [ 3, 4,
我想知道如果不在第 4 行中使用“for”循环，下面的代码是否有更有效的替代方案？ import torch n, d = 37700, 7842 k = 4 sample = torch.cat([
我有三个简单的问题。 如果我的自定义损失函数不可微会发生什么？ pytorch 会通过错误还是做其他事情？ 如果我在我的自定义函数中声明了一个损失变量来表示模型的最终损失，我应该放 requires_
我想知道 PyTorch Parameter 和 Tensor 的区别？ 现有answer适用于使用变量的旧 PyTorch？ 最佳答案 这就是 Parameter 的全部想法。类(附加)在单个图像中
给定以下张量(这是网络的结果 [注意 grad_fn]): tensor([121., 241., 125., 1., 108., 238., 125., 121., 13., 117., 12
什么是__constants__在 pytorch class Linear(Module):定义于 https://pytorch.org/docs/stable/_modules/torch/nn
我在哪里可以找到pytorch函数conv2d的源代码？ 它应该在 torch.nn.functional 中，但我只找到了 _add_docstr 行， 如果我搜索conv2d。我在这里看了: ht
如 documentation 中所述在 PyTorch 中，Conv2d 层使用默认膨胀为 1。这是否意味着如果我想创建一个简单的 conv2d 层，我必须编写 nn.conv2d(in_chann
我阅读了 Pytorch 的源代码，发现它没有实现 convolution_backward 很奇怪。函数，唯一的 convolution_backward_overrideable 函数是直接引发错
我对编码真的很陌生，现在我正在尝试将我的标签变成一种热门编码。我已经完成将 np.array 传输到张量，如下所示 tensor([4., 4., 4., 4., 4., 4., 4., 4., 4.
我正在尝试实现 text classification model使用CNN。据我所知，对于文本数据，我们应该使用一维卷积。我在 pytorch 中看到了一个使用 Conv2d 的示例，但我想知道如何
我有一个多标签分类问题，我正试图用 Pytorch 中的 CNN 解决这个问题。我有 80,000 个训练示例和 7900 个类；每个示例可以同时属于多个类，每个示例的平均类数为 130。 问题是我的
我是一名优秀的程序员,十分优秀！