使用PyTorch我們可以友善的将資料及神經網絡傳遞到GPU,使用GPU來加速網絡訓練。如果有多個GPU還可以使用多GPU并行處理資料。
在使用n個GPU并行處理資料時,會将每個batch的資料都均分為n份,分别送入n個GPU中。待資料處理完成後,再将n份結果合成為一個batch輸出。
具體使用方法如下:
1、關鍵函數:
# 将運作裝置設定為GPU
device = torch.device("cuda:0")
# 将神經網絡傳遞給GPU
model.to(device)
# 将Tensor資料傳遞給GPU
mytensor = my_tensor.to(device)
# 設定并行處理資料
model = nn.DataParallel(model)
2、使用GPU并行處理資料的完整示例:
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
# 設定參數
input_size = 5
output_size = 2
batch_size = 30
data_size = 100
# 設定device
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# 生成随機資料集
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
def __getitem__(self, index):
return self.data[index]
def __len__(self):
return self.len
# 載入資料
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
batch_size=batch_size, shuffle=True)
# 定義神經網絡
class Model(nn.Module):
# Our model
def __init__(self, input_size, output_size):
super(Model, self).__init__()
self.fc = nn.Linear(input_size, output_size)
def forward(self, input):
output = self.fc(input)
print("\tIn Model: input size", input.size(),
"output size", output.size())
return output
# 建立神經網絡,設定并行處理資料
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
print("Let's use", torch.cuda.device_count(), "GPUs!")
# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
model = nn.DataParallel(model)
model.to(device)
# 執行正向傳播
for data in rand_loader:
input = data.to(device)
output = model(input)
print("Outside: input size", input.size(),
"output_size", output.size())