首页 云计算

动态计算图和GPU支持操作

动态计算图

在深度学习中使用 PyTorch 的主要原因之一,是我们可以自动获得定义的函数的梯度/导数。

当我们操作我们的输入时,会自动创建一个计算图。该图显示了如何从输入到输出的动态计算过程。

为了熟悉计算图的概念,下面将为以下函数创建一个:

 

这里的 是我们的参数,我们想要优化(最大化或最小化)输出 . 为此,我们想要获得梯度.

在下面的代码中,我将使用[1,2,3]作输入。

# 只有浮动张量有梯度 x = torch.arange(1,4, dtype=torch.float32, requires_grad=True)  print("X", x)  # X tensor([1., 2., 3.], requires_grad=True) 

现在让我来一步一步地构建计算图,了解每个操作是到底是如何添加到计算图中的。

 

a = x + 2 b = a ** 2 c = b + 3 y = c.mean() print("Y", y) # Y tensor(19.6667, grad_fn=) 

使用上面的语句,我们创建了一个类似于下图的计算图(通过tensorboard )查看:

我们计算 a 基于输入x 和常数2, b是 a平方等等操作。计算图通常以相反的方向可视化(箭头从结果指向输入)。

我们可以通过backward()在最后一个输出上调用函数来对计算图执行反向传播,这样可以,计算了每个具有属性的张量的梯度requires_grad=True:

y.backward() 

最后打印x.grad就可以查看对应梯度。

 

GPU支持操作

在Pytorch中GPU 可以并行执行数以千计的小运算,因此非常适合在神经网络中执行大型矩阵运算。

「CPU 与 GPU的区别」

PyTorch 使用GPU,需要搭建NVIDIA 的CUDA和cuDNN。

下面代码,检查是否有可用的 GPU:

gpu_avail = torch.cuda.is_available() print("Is the GPU available? %s" % str(gpu_avail)) 

 

现在创建一个张量并将其推送到GPU设备:

device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu") print("Device", device) x = x.to(device) print("X", x)  # Device cuda # X tensor([1., 1., 1.], device='cuda:0') 

cuda 旁边的零表示这是计算机上的第0个 GPU 设备。因此,PyTorch 还支持多 GPU 系统,

下面将CPU 上的大型矩阵乘法的运行时间与 GPU 上的运算进行比较:

根据系统中的配置而定,GPU加速提高模型的训练速度。

 

官方微博/微信

每日头条、业界资讯、热点资讯、八卦爆料,全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与,TechWeb官方微博期待您的关注。

↑扫描二维码

想在手机上看科技资讯和科技八卦吗?

想第一时间看独家爆料和深度报道吗?

请关注TechWeb官方微信公众帐号:

1.用手机扫左侧二维码;

2.在添加朋友里,搜索关注TechWeb。

手机游戏更多