将Pytorch模型从CPU转换成GPU的实现方法_pytorchgpu版本 - CSDN文库

5星 · 超过95%的资源 73 浏览量更新于2023-05-03 评论收藏 78KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

将将Pytorch模型从模型从CPU转换成转换成GPU的实现方法的实现方法

最近将Pytorch程序迁移到GPU上去的一些工作和思考

环境：Ubuntu 16.04.3

Python版本：3.5.2

Pytorch版本：0.4.0

0. 序言序言

大家知道，在深度学习中使用GPU来对模型进行训练是可以通过并行化其计算来提高运行效率，这里就不多谈了。

最近申请到了实验室的服务器来跑程序，成功将我简陋的程序改成了“高大上”GPU版本。

看到网上总体来说少了很多介绍，这里决定将我的一些思考和工作记录下来。

1. 如何进行迁移如何进行迁移

由于我使用的是Pytorch写的模型，网上给出了一个非常简单的转换方式: 对模型和相应的数据进行.cuda()处理。通过这种方

式，我们就可以将内存中的数据复制到GPU的显存中去。从而可以通过GPU来进行运算了。

网上说的非常简单，但是实际使用过程中还是遇到了一些疑惑。下面分数据和模型两方面的迁移来进行说明介绍。

1.1 判定使用判定使用GPU

下载了对应的GPU版本的Pytorch之后，要确保GPU是可以进行使用的，通过torch.cuda.is_available()的返回值来进行判断。

返回True则具有能够使用的GPU。

通过torch.cuda.device_count()可以获得能够使用的GPU数量。其他就不多赘述了。

常常通过如下判定来写可以跑在GPU和CPU上的通用模型：

if torch.cuda.is_available():

ten1 = ten1.cuda()

MyModel = MyModel.cuda()

2. 对应数据的迁移对应数据的迁移

数据方面常用的主要是两种 —— Tensor和Variable。实际上这两种类型是同一个东西，因为Variable实际上只是一个容器，这

里先视其不同。

2.1 将将Tensor迁移到显存中去迁移到显存中去

不论是什么类型的Tensor（FloatTensor或者是LongTensor等等），一律直接使用方法.cuda()即可。

例如：

ten1 = torch.FloatTensor(2)

>>>> 6.1101e+24

4.5659e-41

[torch.FloatTensor of size 2]

ten1_cuda = ten1.cuda()

>>>> 6.1101e+24

4.5659e-41

[torch.cuda.FloatTensor of size 2 (GPU 0)]

其数据类型会由torch.FloatTensor变为torch.cuda.FloatTensor （GPU 0）这样代表这个数据现在存储在

GPU 0的显存中了。

如果要将显存中的数据复制到内存中，则对cuda数据类型使用.cpu()方法即可。

2.2 将将Variable迁移到显存中去迁移到显存中去

在模型中，我们最常使用的是Variable这个容器来装载使用数据。主要是由于Variable可以进行反向传播来进行自动求导。

同样地，要将Variable迁移到显存中，同样只需要使用.cuda()即可实现。

这里有一个小疑问，对Variable直接使用.cuda和对Tensor进行.cuda然后再放置到Variable中结果是否一致呢。答案是肯定

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余2页未读，立即下载

评论5

df595420469

2023-07-29

作者以简洁明了的语言阐述了将PyTorch模型从CPU迁移到GPU的步骤，易于理解。

weixin_38537315

粉丝: 6
资源: 876

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈