Pytorch Mac GPU 训练与测评实例

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。