1.網絡模型轉移到CUDA上
|
1
2
|
net = AlexNet()net.cuda()#轉移到CUDA上 |
2.將loss轉移到CUDA上
|
1
2
|
criterion = nn.CrossEntropyLoss()criterion = criterion.cuda() |
這一步不做也可以，因為loss是根據out、label算出來的
|
1
|
loss = criterion(out, label) |
只要out、label在CUDA上，loss自然也在CUDA上了，但是發現不轉移到CUDA上準確率竟然降低了1%
3.將數據集轉移到CUDA上
這里要解釋一下數據集使用方法
|
1
2
3
|
#download the datasettrain_set = CIFAR10("./data_cifar10", train=True, transform=data_tf, download=True)train_data = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True) |
dataset是把所有的input,label都制作成了一個大的多維數組
dataloader是在這個大的多維數組里采樣制作成batch，用這些batch來訓練
|
1
2
3
4
5
6
7
|
for im, label in train_data: i = i + 1 im = im.cuda()#把數據遷移到CUDA上 im = Variable(im)#把數據放到Variable里 label = label.cuda() label =Variable(label) out = net(im)#the output should have the size of (N,10) |
遍歷batch的時候，首先要把拿出來的Image、label都轉移到CUDA上，這樣接下來的計算都是在CUDA上了
開始的時候只在轉成Variable以后才遷移到CUDA上，這樣在網絡傳播過程中就數據不是在CUDA上了，所以一直報錯
訓練網絡時指定gpu顯卡
查看有哪些可用的gpu
|
1
|
nvidia -smi |
實時查看gpu信息1代表每1秒刷新一次
|
1
|
watch -n -1 nvidia -smi |
指定使用的gpu
|
1
2
3
|
import os# 使用第一張與第三張GPU卡os.environ["CUDA_VISIBLE_DEVICES"] = "0,3" |
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/weixin_41680653/article/details/93750326
