如何使用GPU跑pytorch?

首先，我们介绍一下什么是GPU:

GPU(Graphics Processing Unit)，中文名称是“图形处理器”，全称“图形处理单元”，它是一种专门用于图形渲染和计算的处理器。在深度学习和机器学习中，GPU也被广泛应用于加速计算，特别是对于大规模数据和复杂模型的训练和推断。

紧接着我们看看电脑是否有GPU:（以Windows10举例）

快捷键：ctrl+Alt+Delect 启动任务管理器

好，如果你的电脑有GPU,就可以进行下一步了。如果没有，Pytorch也支持cpu版本的，可以去官网下载或者直接pip 官网地址：https://pytorch.org/

接着我们介绍一下Pytorch

1. ​ Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对 GPU 加速的深度神经网络（DNN）编程。Torch 是一个经典的对多维矩阵数据进行操作的张量（tensor库，在机器学习和其他数学密集型应用有广泛应用。
2. Pytorch的计算图是动态的，可以根据计算需要实时改变计算图。
3. 由于Torch语言采用 Lua，导致在国内一直很小众，并逐渐被支持 Python 的 Tensorflow 抢走用户。作为经典机器学习库 Torch 的端口，PyTorch 为 Python 语言使用者提供了舒适的写代码选择。

好，有了以上的基本知识，接下来可以尝试使用一下。

首先打开Terminal 查看nvida的驱动和CUDA的版本：nvidia-smi

我的电脑配置是：win10 NVIDIA GeForce MX150 CUDA11.4

网上找了一圈都没有cuda11.4对应的pytorch版本，后面没办法，想着cuda应该也是向下兼容，于是找了一个wheel,下载了一个cuda11.3+torch-1.10.2+python3.8的

网址：https://download.pytorch.org/whl/torch/

接下来就可以用上你的GPU啦！

以神经网络举个例子：

#创建一个模型
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.model_selection import train_test_split
import time
"""
@contact: 微信 XQCqazwsx
@time: 2024/3/8 22:30
@author: 瑞翼工人
"""

class Net(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(Net, self).__init__()
        self.fc1 = nn.Linear(input_dim, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 32)
        self.fc4 = nn.Linear(32, output_dim)
        self.relu = nn.ReLU()
        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        x = self.relu(self.fc1(x))
        x = self.relu(self.fc2(x))
        x = self.relu(self.fc3(x))
        x = self.softmax(self.fc4(x))
        return x
# 将数据转换为PyTorch的张量并移到GPU上
    X_tensor = torch.tensor(X_scaled, dtype=torch.float32).to('cuda')
    y_tensor = torch.tensor(y_encoded, dtype=torch.int64).to('cuda')
    # 定义损失函数和优化器
    criterion = nn.CrossEntropyLoss()
    optimizer = optim.Adam(model.parameters(), lr=0.001)

    # 训练模型
    num_epochs = 20
    batch_size = 64
    for epoch in range(num_epochs):
        for i in range(0, len(X_train), batch_size):
            inputs = X_train[i:i+batch_size]
            labels = y_train[i:i+batch_size]

            # 前向传播
            outputs = model(inputs)

            # 计算损失
            loss = criterion(outputs, labels)

            # 反向传播和优化
            optimizer.zero_grad()
            loss.backward()
            optimizer.step()

        # 打印每个epoch的损失
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

    # 在测试集上评估模型
    with torch.no_grad():
        outputs = model(X_test)
        _, predicted = torch.max(outputs, 1)
        accuracy = (predicted == y_test).sum().item() / len(y_test)
        print('Test Accuracy: {:.2f}%'.format(accuracy * 100))
"""
@contact: 微信 XQCqazwsx
@time: 2024/3/8 22:30
@author: 瑞翼工人
"""

可以从任务管理器中看到GPU的利用率，现在我们的数据还比较小，数据量超过以G为单位的时候，就能看到跟cpu一样的利用，时间上也比cpu块很多！

好了，这篇文章到此结束。如果对你有帮助，请给我点一个免费的赞，谢谢！如果能关注一下就更好了，让我们一起编程改变世界！！！
“”"
@contact: 微信 XQCqazwsx
@time: 2024/2/29 19:30
@author: 瑞翼工人
“”"