将Pytorch模型从CPU转换成GPU的实现方法
人气:2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
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
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
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Tensor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Variable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。答案是肯定的。
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)] V1_cpu = autograd.Variable(ten1) >>>> Variable containing: 6.1101e+24 4.5659e-41 [torch.FloatTensor of size 2] V2 = autograd.Variable(ten1_cuda) >>>> Variable containing: 6.1101e+24 4.5659e-41 [torch.cuda.FloatTensor of size 2 (GPU 0)] V1 = V1_cpu.cuda() >>>> Variable containing: 6.1101e+24 4.5659e-41 [torch.cuda.FloatTensor of size 2 (GPU 0)]
最终我们能发现他们都能够达到相同的目的，但是他们完全一样了吗？我们使用V1 is V2发现，结果是否定的。
对于V1，我们是直接对Variable进行操作的,这样子V1的.grad_fn中会记录下创建的方式。因此这二者并不是完全相同的。
2.3 数据迁移小结
.cuda()操作默认使用GPU 0也就是第一张显卡来进行操作。当我们想要存储在其他显卡中时可以使用.cuda(<显卡号数>)来将数据存储在指定的显卡中。还有很多种方式，具体参考官方文档。
对于不同存储位置的变量，我们是不可以对他们直接进行计算的。存储在不同位置中的数据是不可以直接进行交互计算的。
换句话说也就是上面例子中的torch.FloatTensor是不可以直接与torch.cuda.FloatTensor进行基本运算的。位于不同GPU显存上的数据也是不能直接进行计算的。
对于Variable，其实就仅仅是一种能够记录操作信息并且能够自动求导的容器，实际上的关键信息并不在Variable本身，而更应该侧重于Variable中存储的data。
3. 模型迁移
模型的迁移这里指的是torch.nn下面的一些网络模型以及自己创建的模型迁移到GPU上去。
上面讲了使用.cuda()即可将数据从内存中移植到显存中去。
对于模型来说，也是同样的方式，我们使用.cuda来将网络放到显存上去。
3.1 torch.nn下的基本模型迁移
这里使用基本的单层感知机来进行举例(线性模型)。
data1 = torch.FloatTensor(2) data2 = data1.cuda # 创建一个输入维度为2，输出维度为2的单层神经网络 linear = torch.nn.Linear(2, 2) >>>> Linear(in_features=2, out_features=2) linear_cuda = linear.cuda() >>>> Linear(in_features=2, out_features=2)
我们很惊奇地发现对于模型来说，不像数据那样使用了.cuda()之后会改变其的数据类型。模型看起来没有任何的变化。
但是他真的没有改变吗。
我们将data1投入linear_cuda中去可以发现，系统会报错，而将.cuda之后的data2投入linear_cuda才能正常工作。并且输出的也是具有cuda的数据类型。
那是怎么一回事呢？
这是因为这些所谓的模型，其实也就是对输入参数做了一些基本的矩阵运算。所以我们对模型.cuda()实际上也相当于将模型使用到的参数存储到了显存上去。
对于上面的例子，我们可以通过观察参数来发现区别所在。
linear.weight >>>> Parameter containing: -0.6847 0.2149 -0.5473 0.6863 [torch.FloatTensor of size 2x2] linear_cuda.weight >>>> Parameter containing: -0.6847 0.2149 -0.5473 0.6863 [torch.cuda.FloatTensor of size 2x2 (GPU 0)]
3.2 自己模型的迁移
对于自己创建的模型类，由于继承了torch.nn.Module，则可同样使用.cuda()来将模型中用到的所有参数都存储到显存中去。
这里笔者曾经有一个疑问：当我们对模型存储到显存中去之后，那么这个模型中的方法后面所创建出来的Tensor是不是都会默认变成cuda的数据类型。答案是否定的。具体操作留给读者自己去实现。
3.3 模型小结
对于模型而言，我们可以将其看做是一种类似于Variable的容器。我们对它进行.cuda()处理，是将其中的参数放到显存上去（因为实际使用的时候也是通过这些参数做运算）。
4. 总结
Pytorch使用起来直接简单，GPU的使用也是简单明了。然而对于多GPU和CPU的协同使用则还是有待提高。
以上这篇将Pytorch模型从CPU转换成GPU的实现方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
您可能感兴趣的文章:
加载全部内容