0704-使用GPU加速_cuda
pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html
一、CPU 和 GPU 数据相互转换
在 torch 中以下数据结构分为 CPU 和 GPU 两个版本：
- Tensor
- Variable（包括 Parameter）
- nn.Module（包括常用的 layer、loss function，以及容器 Sequential 等）
它们都带有一个 .cuda 方法，通过这个方法可以把它们转换对应的 GPU 对象。
但是在把 cpu 上的数据转化成 gpu 上的数据时，需要注意以下两点：
tensor.cuda和variable.cuda都会返回一个新对象，这个新对象存放在 GPU 中，而之前的数据则依然还会在 CPU 上。module.cuda会将所有的数据都迁移到 GPU，并且返回自己，也就是说module=module.cuda()和module.cuda()的效果是一样的
其实 variable 和 nn.Module 在 cpu 和 gpu 之间的转换，本质上还是利用了 tensor 在 cpu 和 gpu 之间的转换。比如 variable.cuda 实际上是把 variable.data 转移到指定的 gpu 上。而 nn.Module 的 cuda 方法是把 nn.Module 下的所有 parameter（包括子 module 的 parameter）都转移到 gpu 上，而 Parameter 的本质其实又是 variable。
下面举例说明，但是需要有两块 gpu 设备。
注：为什么把数据转移到 gpu 的方法叫做 .cuda 而不是 .gpu 呢？这是因为 gpu 的编程接口采用 cuda，而目前并不是所有的 gpu 都支持 cuda，只有部分 NVIDIA 的 gpu 才支持。torch 未来可能还会支持 AMD 的 gpu，而 AMD GPU 的编程接口采用 OpenCL，因此 torch 还预留着 .cl 方法，用于以后支持 AMD 等的 GPU。
import torch as t
# tensor 测试
tensor = t.Tensor(3, 4)
tensor.cuda(0) # 返回一个新的 tensor，保存在第 1 块 GPU 上，但原来的 tensor 并没有改变
tensor.is_cuda # False # 原来的 tensor 依然再 cpu 上
tensor = tensor.cuda() # 不指定所使用的 GPU 设备，将默认使用第 1 块 GPU
tensor.is_cuda # False
# variable 测试
variable = t.autograd.Variable(tensor)
variable.cuda()
variable.is_cuda() # False # 原来的 variable 依然再 cpu 上
# nn.module 测试
module = nn.Linear(3, 4)
module.cuda(device_id=1)
module.weight.is_cuda # True
class VeryBigModule(nn.Module):
def __init__(self):
super(VeryBigModule, self).__init__()
self.GiantParameter1 = t.nn.Parameter(t.randn(100000, 20000)).cuda(0)
self.GiantParameter2 = t.nn.Parameter(t.randn(20000, 100000)).cuda(1)
def forward(self, x):
x = self.GiantParameter1.mm(x.cuda(0))
x = self.GiantParameter2.mm(x.cuda(1))
return x
在 VeryBigModule 类中，两个 Parameter 所占用的内存非常大，大概是 8GB，如果两者放在一块 GPU 上，可能会把显存占满，因此把这两个 Parameter 放在两块 GPU 上。
二、使用 GPU 的注意事项
关于使用 GPU 有一些小小的建议：
- gpu 运算很快，但是运算量小时，不能体现出它的优势，因此一些简单的操作可以使用 cpu 完成
- 数据在 cpu 和 gpu 之间的传递会比较耗时，应当尽量避免
- 在进行低精度的计算时，可以考虑使用 HalfTensor 时，相比较 FloatTensor 能节省一半的显存，但需要注意数值溢出的情况
注：大部分的损失函数也都属于 nn.Module，但在使用 gpu 时，很多时候我们都忘记使用它的 .cuda 方法，在大多数情况下不会保存，因为损失函数没有可学习的参数。但在某些情况下会出错，为了保险起见也为了代码更规范，也应该记得调用 criterion.cuda，下面举例说明：
# 交叉熵损失函数，带权重
criterion = t.nn.CrossEntropyLoss(weight=t.Tensor([1, 3]))
inp = t.autograd.Variable(t.randn(4, 2)).cuda()
target = t.autograd.Variable(t.Tensor([1, 0, 0, 1])).long().cuda()
# 下面这行会报错，因为 weight 没有被转移到 GPU 上
# loss = criterion(inp, target)
# 这行则不会报错
criterion.cuda()
loss = criterion(inp, target)
criterion._buffers
三、设置默认 GPU
除了调用 .cuda 方法外，还可以使用 torch.cuda.device 指定默认使用哪一块 GPU，或使用 torch.set_default_tensor_type 使程序默认使用 GPU，不需要手动调用 cuda
# 如果没有指定使用哪块 GPU，默认使用 GPU 0
x = t.cuda.FloatTensor(2, 3)
# x.get_device() == 0
y = t.FloatTensor(2, 3).cuda()
# y.get_device() == 0
# 指定默认使用 GPU 1
with t.cuda.device(1):
# 在 GPU 1 上构建 tensor
a = t.cuda.FloatTensor(2, 3)
# 把 tensor 转移到 GPU 1
b = t.FloatTensor(2, 3).cuda()
print(a.get_device() == b.get_device() == 1)
c = a + b
print(c.get_device() == 1)
z = x + y
print(z.get_device() == 0)
# 手动指定使用 GPU 0
d = t.randn(2, 3).cuda(0)
print(d.get_device() == 2)
# t.set_default_tensor_type('torch.cuda.FloatTensor') # 指定默认 tensor 的类型为 GPU 上的 FloatTensor
a = t.ones(2, 3)
a.is_cuda()
四、GPU 之间的切换
如果服务器有多个 gpu，tensor.cuda() 方法将会把 tensor 保存到第一快 gpu 上，这等价于 tensor.cuda(0)，这个时候如果想使用第二块 gpu，需要手动指定 tensor.cuda(1)，但是这需要修改大量代码，因此很繁琐。这里有两种代替的方法：
- 第一种方法是先调用
t.cuda.set_device(1)指定使用第二块 gpu，后序的.cuda()都不需要改变。 - 另外一种方法是设置环境变量
CUDA_VISIBLE_DEVICES，例如当export CUDA_VISIBLE_DEVICES=1时，只使用 物理上的第二块 GPU，但在程序中这块 cpu 会被看成是第一块逻辑 gpu。当然，CUDA_VISIBLE_DEVICES 还可以指定多个 gpu，如export CUDA_VISIBLE_DEVICES=0,2,3，那么第一、三、四块物理 GPU 将会被映射成第一、二、三块逻辑 GPU，也就是说tensor.cuda(1)将会把 Tensor 转移到第三块物理 GPU 上。
设置 CUDA_VISIBLE_DEVICES 有两种方法：
- 一种是在命令行中
CUDA_VISIBLE_DEVICES=0,1 python main.py； - 另一种是在程序中
import os; os.environ["CUDA_VISIBLE_DEVICES"] = "2"
上述一般都是自己使用的情况，在实际工程中，可能还会用到分布式 GPU，由于一般人员使用不到这种方法，这里不做赘述，想详细了解的可以看官方文档——GPU 分布式通信