GPU计算

默认情况下,pytorch将数据保存在内存,而不是显存.

查看显卡信息

nvidia-smi

我的机器输出如下:

Fri Jan  3 16:20:51 2020

+-----------------------------------------------------------------------------+

| NVIDIA-SMI 418.67       Driver Version: 418.67       CUDA Version: 10.1     |

|-------------------------------+----------------------+----------------------+

| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |

| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |

|===============================+======================+======================|

|   0  GeForce GTX 105...  Off  | 00000000:01:00.0 Off |                  N/A |

| N/A   42C    P0    N/A /  N/A |   1670MiB /  4042MiB |      0%      Default |

+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+

| Processes:                                                       GPU Memory |

|  GPU       PID   Type   Process name                             Usage      |

|=============================================================================|

|    0      1572      G   /usr/lib/xorg/Xorg                           601MiB |

|    0      4508      G   compiz                                       231MiB |

|    0      4935      G   ...equest-channel-token=592189694510481540   486MiB |

|    0      5574      G   ...quest-channel-token=4527142888685015556   328MiB |

|    0     10049      G   ...passed-by-fd --v8-snapshot-passed-by-fd    21MiB |

+-----------------------------------------------------------------------------+

单卡,gtx 1050,4g显存.

查看gpu是否可用

torch.cuda.is_available()

查看gpu数量

torch.cuda.device_count()

查看当前gpu号

torch.cuda.current_device()

查看设备名

torch.cuda.get_device_name(device_id)

把tensor复制到显存

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 \(i\) 块GPU及相应的显存（\(i\)从0开始）且cuda(0)和cuda()等价。

x=x.cuda()

直接在显存上存储数据

device = torch.device('cuda')

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

或者

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

如果对在GPU上的数据进行运算，那么结果还是存放在GPU上。

y = x**2

y

输出：

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

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。

z = y + x.cpu()

会报错:

    z=y+x.cpu()

RuntimeError: expected device cuda:0 and dtype Long but got device cpu and dtype Long

完整代码

import torch

from torch import nn

is_gpu = torch.cuda.is_available()

gpu_nums = torch.cuda.device_count()

gpu_index = torch.cuda.current_device()

print(is_gpu,gpu_nums,gpu_index)

device_name = torch.cuda.get_device_name(gpu_index)

print(device_name)

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

print(x)

x=x.cuda(gpu_index)

print(x)

print(x.device)

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

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

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

print(x)

y=x**2

print(y)

#z=y+x.cpu()

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。

检查模型参数存放设备:

net = nn.Linear(3,1)

print(type(net.parameters()))

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

输出

<class 'generator'>

cpu

在gpu上做运算．通过.cuda()将模型计算放到gpu.相应的,传给模型的输入也必须是gpu显存上的数据.

net = nn.Linear(3,1)

print(type(net.parameters()))

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

net=net.cuda()

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

net(x)

总结:

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。在默认情况下，PyTorch会将数据创建在内存，然后利用CPU来计算。
PyTorch要求计算的所有输入数据都在内存或同一块显卡的显存上。

巴特西

从头学pytorch(十三):使用GPU做计算

GPU计算

模型的gpu计算

最新文章

热门文章