以下是“Pytorch Mac GPU 训练与测评实例”的完整攻略,包含两个示例说明。
示例1:在Mac上使用GPU训练PyTorch模型
步骤1:安装CUDA和cuDNN
在Mac上使用GPU训练PyTorch模型,需要先安装CUDA和cuDNN。可以从NVIDIA官网下载并安装最新版本的CUDA和cuDNN。
步骤2:安装PyTorch和torchvision
可以使用pip命令安装PyTorch和torchvision:
pip install torch torchvision
步骤3:编写PyTorch训练脚本
以下是一个简单的PyTorch训练脚本示例:
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.dropout = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
x = nn.functional.relu(nn.functional.max_pool2d(self.dropout(self.conv2(x)), 2))
x = x.view(-1, 320)
x = nn.functional.relu(self.fc1(x))
x = nn.functional.dropout(x, training=self.training)
x = self.fc2(x)
return nn.functional.log_softmax(x, dim=1)
model = Net().to(device)
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
def train(epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = nn.functional.nll_loss(output, target)
loss.backward()
optimizer.step()
if batch_idx % 10 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item()))
for epoch in range(1, 11):
train(epoch)
在这个示例中,我们首先定义了一个简单的卷积神经网络模型,并将其移动到GPU上。然后,我们定义了一个MNIST数据集,并使用DataLoader函数将其加载到内存中。接下来,我们定义了一个优化器和一个训练函数。在训练函数中,我们首先将数据和目标张量移动到GPU上,然后训练模型。最后,我们在每个epoch中调用训练函数来训练模型。
步骤4:运行PyTorch训练脚本
在终端中运行以下命令来运行PyTorch训练脚本:
python train.py
示例2:在Mac上使用GPU测评PyTorch模型
步骤1:安装CUDA和cuDNN
在Mac上使用GPU测评PyTorch模型,需要先安装CUDA和cuDNN。可以从NVIDIA官网下载并安装最新版本的CUDA和cuDNN。
步骤2:安装PyTorch和torchvision
可以使用pip命令安装PyTorch和torchvision:
pip install torch torchvision
步骤3:编写PyTorch测评脚本
以下是一个简单的PyTorch测评脚本示例:
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])
test_dataset = datasets.MNIST('data', train=False, download=True, transform=transform)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=1000, shuffle=True)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
self.dropout = nn.Dropout2d()
self.fc1 = nn.Linear(320, 50)
self.fc2 = nn.Linear(50, 10)
def forward(self, x):
x = nn.functional.relu(nn.functional.max_pool2d(self.conv1(x), 2))
x = nn.functional.relu(nn.functional.max_pool2d(self.dropout(self.conv2(x)), 2))
x = x.view(-1, 320)
x = nn.functional.relu(self.fc1(x))
x = nn.functional.dropout(x, training=self.training)
x = self.fc2(x)
return nn.functional.log_softmax(x, dim=1)
model = Net().to(device)
model.load_state_dict(torch.load('model.pt'))
def test():
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += nn.functional.nll_loss(output, target, reduction='sum').item()
pred = output.argmax(dim=1, keepdim=True)
correct += pred.eq(target.view_as(pred)).sum().item()
test_loss /= len(test_loader.dataset)
print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
test_loss, correct, len(test_loader.dataset),
100. * correct / len(test_loader.dataset)))
test()
在这个示例中,我们首先定义了一个简单的卷积神经网络模型,并将其移动到GPU上。然后,我们定义了一个MNIST测试数据集,并使用DataLoader函数将其加载到内存中。接下来,我们加载了之前训练好的模型。最后,我们定义了一个测试函数来测试模型的性能。
步骤4:运行PyTorch测评脚本
在终端中运行以下命令来运行PyTorch测评脚本:
python test.py
总结
本文介绍了如何在Mac上使用GPU训练和测评PyTorch模型,并提供了两个示例说明。在实现过程中,我们使用了PyTorch和其他些库,并介绍了一些常用的函数和技术。
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:Pytorch Mac GPU 训练与测评实例 - Python技术站