🧠 第一部分：PyTorch & CNN 核心知识点总结

--------------

训项目三 搭建 GPU 加速的 PyTorch 环境并测试运行
一、实训目的
通过综合运用系统配置、软件安装与调试等技能，独立完成支持 GPU 加速的 PyTorch
深度学习开发环境的完整搭建与验证，形成解决深度学习环境配置与依赖问题的工程实践
能力，培育严谨细致、自主排错、规范操作的职业素养。
二、实训内容
1. 安装 Anaconda，创建并激活独立的 Python 虚拟环境。
2. 根据本机显卡型号，查询并安装对应版本的 CUDA 驱动及 cuDNN 库。
3. 在虚拟环境中，通过 pip 或 conda 命令安装适配的 PyTorch（GPU 版本）及常用工具
库。
4. 编写 测 试 脚 本 ， 验 证 PyTorch 是否 正 确 安 装 ， 并 检 测 GPU 是否 可 用
（torch.cuda.is_available()）。
5. 运行一个简单的 GPU 加速的张量计算示例，对比 CPU 与 GPU 的运行速度。
三、实训仪器、设备
硬件：PC 微型计算机、CPU I5-8300H 及以上、GPU GTX1650 及以上、内存 8G
及以上、硬盘 512G 及以上
软件：Python、Anaconda、Pytorch 等
四、实训步骤
1. 软硬件依赖环境构建
2. 开发项目构建
3. 代码测试
五、实训报告要求
上机结束后，整理出实训报告。实训报告应包括：题目、代码、运行结果以及对本次
实训所作的分析与总结。
六、实训注意事项
一人一组，独立上机调试，上机时出现的问题，最好独立解决。
七、思考题
简述深度学习环境的基本要求有哪些方面。

在本次实训中，你需要掌握以下四个核心模块的原理与代码实现：

1. 设备管理与环境配置 (Device)

• 可用性检测：通过 torch.cuda.is_available() 动态检测环境是否支持 GPU（CUDA）。在安装了纯 CPU 版本的 PyTorch 时，该函数返回 False。

• 设备兼容代码：标准写法为 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")，这保证了代码在没有显卡时能自动回退到 CPU 运行。

• 数据迁移：在进行前向传播前，必须使用 .to(device) 方法将“模型”和“输入数据（images, labels）”移动到同一个计算设备上，否则会引发报错。

2. 数据加载机制 (DataLoader)

• Windows 环境特性：在 Windows 操作系统中，为了避免多进程创建引发的错误（如 BrokenPipeError），必须将 DataLoader 的 num_workers 参数设置为 0。

• 批处理 (Batch Size)：不能为了减小内存占用将 batch_size 设为 1，否则会退化为纯随机梯度下降，导致训练速度极慢且损失震荡难以收敛。

3. SimpleCNN 模型架构 (针对 MNIST 数据集)

• 特征提取层 (Conv2d + ReLU + MaxPool2d)：

  • 第一层：输入通道 1（灰度图），输出通道 16。

  • 第二层：输入通道 16，输出通道 32。

• 分类器 (Linear)：

  • 输入维度动态计算：28x28 图像经两次 $2 \times 2$ 池化变为 7x7。展平后维度为 32 * 7 * 7。

  • 输出维度：由于 MNIST 是 0-9 的数字分类，最终必须输出 10 个类别的得分。

4. 训练流程与性能评估

• 核心七步：取数据 $\rightarrow$ 移至设备 $\rightarrow$ 清零梯度 (optimizer.zero_grad()) $\rightarrow$ 前向传播 $\rightarrow$ 计算损失 (nn.CrossEntropyLoss()) $\rightarrow$ 反向传播 $\rightarrow$ 更新参数 (optimizer.step())。

• 性能对比：GPU 拥有海量核心，擅长 CNN 中的大规模矩阵并行计算，训练速度通常比 CPU 快 10倍以上。

• 实训指标：在 CPU 环境下，使用 Adam 优化器（学习率 0.001）训练 5 个 Epoch 耗时约 93.4 秒，测试集准确率达到 98.89%，且训练 Loss 随 Epoch 增加呈下降趋势。

---

📝 第二部分：原始试题

单项选择题（每题4分）

1. 根据实训报告中的代码逻辑，当检测到CUDA不可用时，程序最终使用的计算设备（device）是什么？

A. cuda

B. gpu

C. cpu

D. auto

2. 在构建 SimpleCNN 模型时，第一个卷积层（Conv2d）的输入通道数和输出通道数分别是多少？

A. 输入16，输出32

B. 输入1，输出16

C. 输入1，输出32

D. 输入16，输出128

3. 实训报告中提到，在Windows环境下配置 DataLoader 时，num_workers 参数建议设置为多少以避免潜在问题？

A. 1

B. 4

C. 0

D. -1

4. 根据实训运行结果，在CPU环境下训练5个epoch后，测试集上的准确率为多少？

A. 93.40%

B. 98.89%

C. 85.50%

D. 99.99%

5. 实训报告中指出，若使用GPU版本的PyTorch，预计训练速度相比当前CPU版本能提速多少倍？

A. 2-3倍

B. 4-5倍

C. 10倍以上

D. 无显著提升

多项选择题（每题6分）

6. 根据实训报告中的代码与原理，关于PyTorch中张量和模型在CPU与GPU之间的迁移及操作，下列说法正确的有哪些？

A. 使用 .to(device) 方法可以将张量和模型移动到指定的设备（如GPU或CPU）

B. 如果 torch.cuda.is_available() 返回 False，则代码会自动回退使用 CPU 进行计算

C. 在训练循环中，必须将输入图像 images 和标签 labels 都移动到 device 上才能进行计算

D. PyTorch 的 CPU 版本无法加载 torchvision 库中的数据集

7. 在构建的 SimpleCNN 模型中，关于网络结构的设计，下列描述符合代码实现的有哪些？

A. 模型包含两个卷积层，分别将通道数从1增加到16，再从16增加到32

B. 每个卷积层后都紧跟一个 ReLU 激活函数和一个 MaxPool2d 最大池化层

C. 全连接层的输入维度是根据卷积层输出特征图的大小动态计算的，即 3277

D. 分类器部分包含两个线性层，最终输出10个类别的得分

8. 根据实训结果与分析，关于本次在MNIST数据集上的训练表现，下列结论正确的有哪些？

A. 经过5个Epoch的训练，模型在测试集上的准确率达到98.89%

B. 随着训练Epoch的增加，训练损失（Loss）呈现逐渐下降的趋势

C. 由于使用的是CPU版本，训练耗时较长，5个Epoch耗时约93.4秒

D. 模型在第一个Epoch结束时就已经达到了最终的测试准确率

9. 在配置深度学习环境及运行代码时，根据实训注意事项和原理，下列哪些做法或建议是正确的？

A. CUDA版本必须与PyTorch版本匹配，否则可能导致GPU无法调用

B. 在Windows操作系统上，建议将 DataLoader 的 num_workers 参数设为0以避免进程创建问题

C. 深度学习硬件基本要求中，GPU显存建议至少4GB，内存建议至少16GB

D. 为了加速训练，应该将 batch_size 设置为1以减小内存占用

10. 关于代码中使用的优化器和损失函数，下列说法正确的有哪些？

A. 使用了 Adam 优化器，学习率设置为 0.001

B. 损失函数使用了 nn.CrossEntropyLoss，适用于多分类任务

C. 在每次反向传播前，需要调用 optimizer.zero_grad() 来清零梯度

D. 模型在测试阶段（model.eval()）也需要调用 optimizer.step() 来更新参数

填空题（每题4分）

11. 在实训代码中，检测GPU是否可用的函数是________，将模型移动到指定设备（如GPU）的方法是使用________方法。

12. 本次实训安装的PyTorch版本为________，由于安装的是CPU版本，因此CUDA是否可用的结果为________。

13. 实训中构建的CNN模型类名为________，在训练循环中，用于计算预测值与真实值之间差异的损失函数是________。

14. 在Windows系统上进行数据加载时，DataLoader中的num_workers参数建议设置为________，本次实训共进行了________个Epoch的训练。

15. 实训结果显示，在MNIST数据集上训练5个Epoch后，测试准确率为________%，训练总耗时为________秒。

简答题（每题10分）

16. 简述在PyTorch中如何检测GPU是否可用，并说明若CUDA不可用时代码是如何处理设备选择的？

17. 说明SimpleCNN模型的结构组成，并解释为何在训练前需要将模型和数据移动到指定设备？

18. 简述在MNIST数据集训练过程中，一个Epoch内的主要训练步骤，并分析实训中CPU版本训练耗时较长的原因。

---

💡 附：参考答案对照表

• 单选题：1.C | 2.B | 3.C | 4.B | 5.C

• 多选题：6.ABC | 7.ABCD | 8.ABC | 9.ABC | 10.ABC

• 填空题：

  • 1. torch.cuda.is_available() ； .to() (或 to(device))

  • 1. CPU版本 (或对应具体版本号) ； False

  • 1. SimpleCNN ； nn.CrossEntropyLoss() (或 交叉熵损失)

  • 1. 0 ； 5

  • 1. 98.89 ； 93.4

• 简答题：(核心采分点请参考上半部分的“核心知识点总结”第1、3、4模块)