Pytorch中实现CPU和GPU之间的切换的两种方法

如何在pytorch中指定CPU和GPU进行训练，以及cpu和gpu之间切换

由CPU切换到GPU，要修改的几个地方：

网络模型、损失函数、数据（输入，标注）

# 创建网络模型
tudui = Tudui()
if torch.cuda.is_available():
 tudui = tudui.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
  loss_fn = loss_fn.cuda()

# 数据输入   包括训练和测试的代码，二者都需要添加此代码
if torch.cuda.is_available():
 imgs = imgs.cuda()
 targets = targets.cuda()

方法一：.to(device)

1.不知道电脑GPU可不可用时：

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

第一行代码的意思是判断电脑GPU可不可用，如果可用的话device就采用cuda()即调用GPU，不可用的话就采用cpu()即调用CPU。

第二行代码的意思就是把变量放到对应的device上（当然如果你用的是CPU的话就不用这一步了，因为变量默认是存在CPU上的，调用GPU的话要先把变量放到GPU上跑，跑完之后再调回CPU上）

２.指定GPU时

# 定义训练的设备
device = torch.device("cuda:0")

# 网络模型创建
tudui = Tudui()
tudui = tudui.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)

# 训练步骤开始
  tudui.train()
  for data in train_dataloader:
      imgs, targets=data
      imgs = imgs.to(device)
      targets = targets.to(device)
      outputs = tudui(imgs)
      loss = loss_fn(outputs, targets)

# 测试步骤开始
  tudui.eval()
  total_test_loss = 0
  total_accuracy = 0
  with torch.no_grad():
      for data in test_dataloader:
          imgs, targets=data
          imgs = imgs.to(device)
          targets = targets.to(device)
          outputs = tudui(imgs)
          loss = loss_fn(outputs, targets)
          total_test_loss = total_test_loss + loss.item()
          accuracy = (outputs.argmax(1)==targets).sum()
          total_accuracy = total_accuracy + accuracy

3.指定cpu时：

device = torch.device('cpu')

方法二：

1、需要修改的

# 三种常见的写法
device = torch.device('cuda')
device = torch.device('cuda: 0')
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

2、代码

# 创建模型
tudui = Tudui()
if torch.cuda.is_available():
 tudui = tudui.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
  loss_fn = loss_fn.cuda()

# 训练步骤开始
  tudui.train()
  for data in train_dataloader:
      imgs, targets=data
      if torch.cuda.is_available():
          imgs = imgs.cuda()
          targets = targets.cuda()
      outputs = tudui(imgs)
      loss = loss_fn(outputs, targets)

# 测试步骤开始
  tudui.eval()
  total_test_loss = 0
  total_accuracy = 0
  with torch.no_grad():
      for data in test_dataloader:
          imgs, targets=data
          if torch.cuda.is_available():
              imgs = imgs.cuda()
              targets = targets.cuda()
          outputs = tudui(imgs)
          loss = loss_fn(outputs, targets)
          total_test_loss = total_test_loss + loss.item()
          accuracy = (outputs.argmax(1)==targets).sum()
          total_accuracy = total_accuracy + accuracy

总结：

推荐方法一，如果自己电脑是只有CPU，可以推荐使用云端服务器，比如PaddlePaddle，Google colab，这些服务器由每周免费八个小时的使用时间，可供我们基本的需求。

关于Pytorch中实现CPU和GPU之间的切换的两种方法的文章就介绍至此，更多相关Pytorch CPU和GPU切换内容请搜索编程宝库以前的文章，希望以后支持编程宝库！

 导读本篇博客我们将全面了解 Flask 中关于请求的相关设置，开始前你需要先配置 Flask 的基础框架。from flask import Flask, make_respo ...