关于深度学习:PyTorch中的CUDA操作

1次阅读

共计 5562 个字符，预计需要花费 14 分钟才能阅读完成。

  CUDA(Compute Unified Device Architecture)是 NVIDIA 推出的异构计算平台，PyTorch 中有专门的模块 torch.cuda 来设置和运行 CUDA 相干操作。本地装置环境为 Windows10，Python3.7.8 和 CUDA 11.6，装置 PyTorch 最新稳固版本 1.12.1 如下：

pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

一. 常见 CPU 和 GPU 操作命令

1. 查看 PyTorch 版本

print(torch.__version__)
1.12.1+cu116

2. 查看 GPU 设施是否可用

print(torch.cuda.is_available())
True

3.PyTorch 默认应用设施是 CPU

print("default device: {}".format(torch.Tensor([4,5,6]).device))
default device: cpu

4. 查看所有可用的 cpu 设施的数量

print("available cpu devices: {}".format(torch.cuda.os.cpu_count()))
available cpu devices: 20

这里 CPU 设施数量指的是逻辑处理器的数量。
5. 查看所有可用的 gpu 设施的数量

print("available gpu devices: {}".format(torch.cuda.device_count()))
available gpu devices: 1

6. 获取 gpu 设施的名称

print("gpu device name: {}".format(torch.cuda.get_device_name(torch.device("cuda:0"))))
gpu device name: NVIDIA GeForce GTX 1080 Ti

7. 通过 device=”cpu:0″ 指定 cpu:0 设施

device = torch.Tensor([1,2,3], device="cpu:0").device
print("device type: {}".format(device))
device type: cpu

8. 通过 torch.device 指定 cpu:0 设施

cpu1 = torch.device("cpu:0")
print("cpu device: {}:{}".format(cpu1.type, cpu1.index))
cpu device: cpu:0

9. 应用索引的形式，默认应用 CUDA 设施

gpu = torch.device(0)
print("gpu device: {}:{}".format(gpu.type, gpu.index))
gpu device: cuda:0

10. 通过 torch.device(“cuda:0)指定 cuda:0 设施

gpu = torch.device("cuda:0")
print("gpu device: {}:{}".format(gpu.type, gpu.index))
gpu device: cuda:0

二.CPU 和 GPU 设施上的 Tensor

  默认状况下创立 Tensor 是在 CPU 设施上的，然而能够通过 copy_、to、cuda 等办法将 CPU 设施中的 Tensor 转移到 GPU 设施上。当然也是能够间接在 GPU 设施上创立 Tensor 的。torch.tensor 和 torch.Tensor 的区别是，torch.tensor 能够通过 device 指定 gpu 设施，而 torch.Tensor 只能在 cpu 上创立，否则报错。

1.Tensor 从 CPU 拷贝到 GPU 上

# 默认创立的 tensor 是在 cpu 上创立的
cpu_tensor = torch.Tensor([[1,4,7],[3,6,9],[2,5,8]])
print(cpu_tensor.device)

# 通过 to 办法将 cpu_tensor 拷贝到 gpu 上
gpu_tensor1 = cpu_tensor.to(torch.device("cuda:0"))
print(gpu_tensor1.device)

# 通过 cuda 办法将 cpu_tensor 拷贝到 gpu 上
gpu_tensor2 = cpu_tensor.cuda(torch.device("cuda:0"))
print(gpu_tensor2.device)

# 将 gpu_tensor2 拷贝到 cpu 上
gpu_tensor3 = cpu_tensor.copy_(gpu_tensor2)
print(gpu_tensor3.device)
print(gpu_tensor3)

输入后果如下：

cpu
cuda:0
cuda:0
cpu
tensor([[1., 4., 7.],
        [3., 6., 9.],
        [2., 5., 8.]])

次要阐明下这个 copy_()办法，实现如下：

def copy_(self, src, non_blocking=False):
    ......
    return _te.Tensor(*(), **{})

  就是从 src 中拷贝元素到 self 的 tensor 中，而后返回 self。以 gpu_tensor3 = cpu_tensor.copy_(gpu_tensor2) 为例，就是把 gpu 中的 gpu_tensor2 拷贝到 cpu 中的 cpu_tensor 中。

2. 间接在 GPU 上创立 Tensor

gpu_tensor1 = torch.tensor([[2,5,8],[1,4,7],[3,6,9]], device=torch.device("cuda:0"))
print(gpu_tensor1.device)

# 在 gpu 设施上创立随机数 tensor
print(torch.rand((3,4), device=torch.device("cuda:0")))

# 在 gpu 设施上创立 0 值 tensor
print(torch.zeros((2,5), device=torch.device("cuda:0")))

输入后果，如下：

cuda:0
tensor([[0.7061, 0.2161, 0.8219, 0.3354],
        [0.1697, 0.1730, 0.1400, 0.2825],
        [0.1771, 0.0473, 0.8411, 0.2318]], device='cuda:0')
tensor([[0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.]], device='cuda:0')

3.CUDA Streams

  Steam 是 CUDA 命令线性执行的形象模式，调配给设施的 CUDA 命令依照入队序列的程序执行。每个设施都有一个默认的 Steam，也能够通过 torch.cuda.Stream()创立新的 Stream。如果不同 Stream 中的命令交互执行，那么就不能保障命令相对按程序执行。上面的这个例子不同的 Stream 就可能会产生谬误。

cuda = torch.device("cuda")
# 创立默认的 stream，A 就是应用的默认 stream
s = torch.cuda.Stream()
A = torch.randn((1,10), device=cuda)
for i in range(100):
    # 在新的 stream 上对默认的 stream 上创立的 tensor 进行求和
    with torch.cuda.stream(s):
        # 存在的问题是：torch.sum()可能会在 torch.randn()之前执行
        B = torch.sum(A)
        print(B)

  这个例子存在的问题是 torch.sum()可能会在 torch.randn()之前就执行。为了保障 Stream 中的命令相对按程序执行，接下来应用 Synchronize 同步办法解决下面例子的问题：

cuda = torch.device("cuda")
s = torch.cuda.Stream()
A = torch.randn((1,10), device=cuda)
default_stream = torch.cuda.current_stream()
print("Default Stream: {}".format(default_stream))
# 期待创立 A 的 stream 执行结束
torch.cuda.Stream.synchronize(default_stream)
for i in range(100):
    # 在新的 stream 上对默认的 stream 上创立的 tensor 进行求和
    with torch.cuda.stream(s):
        print("current stream: {}".format(torch.cuda.current_stream()))
        B = torch.sum(A)
        print(B)

  解决问题的思路就是通过 torch.cuda.Stream.synchronize(default_stream) 期待创立 A 的 stream 执行结束，而后再执行新的 Stream 中的指令。
  除此之外，应用 memory_cached 办法获取缓存内存的大小，应用 max_memory_cached 办法获取最大缓存内存的大小，应用 max_memory_allocated 办法获取最大分配内存的大小。能够应用 empty_cache 办法开释无用的缓存内存。

三. 固定缓冲区

  缓存就是当计算机内存不足的时候，就会把内存中的数据存储到硬盘上。固定缓冲区就是说常驻内存，不能把这部分数据缓存到硬盘上。能够间接应用 pin_memory 办法或在 Tensor 上间接调用 pin_memory 办法将 Tensor 复制到固定缓冲区。为什么要做固定缓冲区呢？目标只有一个，就是把 CPU 上的固定缓冲区拷贝到 GPU 上时速度快。Tensor 上的 is_pinned 办法能够查看该 Tensor 是否加载到固定缓冲区中。

from torch.utils.data._utils.pin_memory import pin_memory
x = torch.Tensor([[1,2,4], [5, 7, 9], [3, 7, 10]])
# 通过 pin_memory()办法将 x 复制到固定缓冲区
y = pin_memory(x)
# 在 tensor 上间接调用 pin_memory()办法将 tensor 复制到固定缓冲区
z = x.pin_memory()
# id()办法返回 tensor 的内存地址，pin_memory()返回 tensor 对象的拷贝，因而内存地址是不同的
print("id: {}".format(id(x)))
print("id: {}".format(id(y)))
print("id: {}".format(id(z)))
# 当 tensor 放入固定缓冲区后，就能够异步将数据复制到 gpu 设施上了
a = z.cuda(non_blocking=True)
print(a)
print("is_pinned: {}/{}".format(x.is_pinned(), z.is_pinned()))

输入后果如下所示：

id: 1605289350472
id: 1605969660408
id: 1605969660248
tensor([[1.,  2.,  4.],
        [5.,  7.,  9.],
        [3.,  7., 10.]], device='cuda:0')
is_pinned: False/True

阐明：通过 id()查看对象的内存地址。

四. 主动设施感知

1. 适配 CPU 和 GPU 设施

  主动设施感知实质上就是有 GPU 时就应用 GPU，没有 GPU 时就应用 CPU，即一套代码适配 CPU 和 GPU 设施。GPU 是否存在是通过 torch.cuda.is_available()判断的。常见的写法如下：

device = torch.device("cpu")
if torch.cuda.is_available():
    device = torch.device("cuda")
a = torch.tensor([1,2,3], device=device)
print(a)

输入后果如下所示：

tensor([1, 2, 3], device='cuda:0')

2. 模型迁徙到 GPU 设施

在 Module 对象上调用 to()办法能够把模型也迁徙到 GPU 设施上，如下所示：

class LinearRegression(torch.nn.Module):
    def __init__(self):
        super(LinearRegression, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)
regression = LinearRegression().to(device=device)
for param in regression.parameters():
    print(param)

  从上述输入参数中能够看到 param 都是 device=’cuda:0’ 上的 tensor，所以能够说模型通过 to()迁徙到 GPU 设施上了。

参考文献：
[1]PyTorch 官网：https://pytorch.org/
[2]PyTorch 中文官网教程 1.7：https://pytorch.apachecn.org/…
[3]PyTorch GitHub：https://github.com/pytorch/py…
[4]TORCH.CUDA：https://pytorch.org/docs/stab…
[5]CUDA SEMANTICS：https://pytorch.org/docs/stab…
[6]PyTorch 深度学习实战

本文由 mdnice 多平台公布

正文完
深度学习
发表至： 深度学习
2022-08-24
 0
关于深度学习:Jina-3-重磅发布3-大更新助力云原生神经搜索系统搭建
关于深度学习:PyTorch-模型性能分析和优化-第-2-部分
关于深度学习:全球使用率最高的五款3DMax插件总有一款适合你
关于深度学习:外事不决有某度内事不决问-Kendra自建企业级搜索引擎方法很简单

站内搜索

-「」