所有基于 GPU 的操作都是在 Colab 上进行

基本配置

导入包和版本查询

import torch
import torch.nn as nn

print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())
print(torch.cuda.get_device_name(0))

# colab GPU/T4
2.0.1+cu118
11.8
8700
Tesla T4

可复现性

随机种子

在硬件设备(CPU、GPU)不同时，完全的可复现性无法保证，即使随机种子相同。但是，在同一个设备上，应该保证可复现性。 具体做法是，在程序开始的时候固定 torch 的随机种子，同时也把 numpy 的随机种子固定

import random
import numpy as np
import torch

fix_seed = 2021
random.seed(fix_seed)
np.random.seed(fix_seed)
torch.manual_seed(fix_seed)
if torch.cuda.is_available():
    torch.cuda.manual_seed_all(0)

Benchmark

if torch.cuda.is_available():
    torch.backends.cudnn.deterministic = True
    # cuDNN 使用非确定性算法，可以使用 torch.backends.cudnn.enabled = False 来进行禁用
    torch.backends.cudnn.benchmark = False

设置 cuDNN 使用非确定性算法，设置这个 flag 可以让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法， 来达到优化运行效率的问题。将会让程序在开始时花费一点额外时间，为整个网络的每个卷积层搜索最适合它的卷积实现算法，进而实现网络的加速：

torch.backends.cudnn.enable = True

一般来讲，应该遵循以下准则：

1. 如果网络的输入数据维度或类型上变化不大，输入形状包括 batch size，图片大小，输入的通道，上述设置会增加运行效率
2. 如果卷积层的设置一直变化，网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置， 这样反而会降低运行效率

设置 cuDNN 不使用非确定算法：

torch.backends.cudnn.benchmark = False

benchmark 模式会提升计算速度，但是由于计算中有随机性，每次网络前馈结果略有差异。 如果想要避免这种结果波动，设置：

torch.backends.cudnn.deterministic = True

GPU 设置

GPU 参数查看

NVIDIA系统管理界面(nvidia-smi)是基于 NVIDIA Management Library(NVML) 的命令行实用程序， 旨在帮助管理和监视 NVIDIA GPU 设备

$ nvidia-smi

Sun Mar 28 02:40:38 2021
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 418.56       Driver Version: 418.56       CUDA Version: 10.1     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 108...  On   | 00000000:02:00.0 Off |                  N/A |
| 23%   29C    P8     9W / 250W |    611MiB / 11178MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   1  GeForce GTX 108...  On   | 00000000:03:00.0 Off |                  N/A |
| 23%   30C    P8     9W / 250W |      0MiB / 11178MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   2  GeForce GTX 108...  On   | 00000000:82:00.0 Off |                  N/A |
| 23%   30C    P8     9W / 250W |      0MiB / 11178MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   3  GeForce GTX 108...  On   | 00000000:83:00.0 Off |                  N/A |
| 23%   30C    P8     9W / 250W |      0MiB / 11178MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0     33777      C   /usr/bin/python                              601MiB |
+-----------------------------------------------------------------------------+

上面是 GEFORCE GTX 1080 Ti GPU 服务器的运行信息：

• 第一行分别为：命令行工具版本、GPU 驱动版本、CUDA 版本
• 第一栏分别为：GPU(GPU 卡号，0～4)、Fan(风扇转速，0～100%)
• 第二栏分别为：Name(显卡名字)、Temp(温度，摄氏度)
• 第三栏分别为：Perf(性能状态，P0~P12，最高性能为 P0，最低性能为 P12)
• 第四栏分别为：Persistence-M(持续模式，默认为关闭，比较节能，如果设置成 ON，耗能比较大，但新的 GPU 应用启动时，花费的时间会更短)、Pwr:Usage/Cap(能耗)
• 第五栏分别为：Bus-Id(GPU 总线，domain🚌device.function)
• 第六栏分别为：Disp.A(GPU 的显示是否初始化)、Memory-Usage(显存利用率)
• 第七栏分别为：Volatile GPU-Util(GPU 浮动利用率)
• 第八栏分别为：Uncorr. ECC(Error Correcting Code 错误检查和纠正码)、Compute M.(计算模式)

下面一张表为：每个 GPU Processes 的资源占用情况

注：显存占用和 GPU 占用是不一样的，显卡是由 GPU 和显存等组成的，显存和 GPU 的关系可简单理解为内存和 CPU 的关系

获取 GPU ID 信息

从左到右依次为：GPU 卡号、GPU 型号、GPU 物理 UUIID 号

$ nvidia-smi -L

GPU 0: GeForce GTX 1080 Ti (UUID: GPU-5da6e67e-fd5a-88fb-7a0e-109c3284f7bf)
GPU 1: GeForce GTX 1080 Ti (UUID: GPU-ce9189e4-2e58-3a19-4332-cb5c7fac1aa6)
GPU 2: GeForce GTX 1080 Ti (UUID: GPU-242b3020-8e5c-813a-42d9-475766d52f9d)
GPU 3: GeForce GTX 1080 Ti (UUID: GPU-8f3d825f-7246-3daf-eaa1-37845b03aa03)

单独过滤出 GPU 卡号信息：

$ nvidia-smi -L | cut -d ' ' -f 2 | cut -c 1

0
1
2
3

GPU 启动模式设置

# 设置 GPU 持续模式：Persistence-M
$ sudo nvidia-smi -pm 1

节点分配

解决卡性能不均匀问题，如果是四卡机器，只使用两个节点优先选择 0 和 3，边界卡槽有利于散热

指定 GPU 编号

如果只需要一张显卡，设置当前使用的 GPU 设备仅为 0 号设备，设备名称为 /gpu:0

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(device)

device(type="cuda")

或：

os.environ["CUDA_VISIBLE_DEVICES"] = "0"
print(os.environ["CUDA_VISIBLE_DEVICES"])

0

如果需要指定多张显卡，比如 0、1 号 显卡，设置当前使用的 GPU 设备为 0、1 号两个设备， 名称依次为 /gpu:0、/gpu:1。根据顺序表示优先使用 0 号设备，然后使用 1 号设备

os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"

0,1

在命令行运行时设置 GPU：

$ CUDA_VISIBLE_DEVICES=0,1 python train.py

清除显存

torch.cuda.empty_cache()

或者，可以使用命令行重置 GPU 指令：

$ nvidia-smi --gpu-reset -i [gpu_id]

GPU 00000000:00:04.0 is currently in use by another process.

1 device is currently being used by one or more other processes (e.g., Fabric Manager, CUDA application, graphics application such as an X server, or a monitoring application such as another instance of nvidia-smi). Please first kill all processes using this device and all compute applications running in the system.

Tensor 数据类型

tensor 数据类型概述

PyTorch 有 9 种 CPU Tensor 类型和 9 种 GPU Tensor 类型：

tensor 类型

tensor = torch.randn(3, 4, 5)
print(tensor.type())

tensor 命名

PyTorch 1.3 之后版本

NCHW = ["N", "C", "H", "W"]

images = torch.randn(32, 3, 56, 56, names = NCHW)
images.sum("C")
images.select("C", index = 0)

# 排序
tensor = tensor.align_to("N", "C", "H", "W")

tensor 类型转换

设置默认类型

PyTorch 中的 FloatTensor 远远快于 DoubleTensor

torch.set_default_tensor_type(torch.FloatTensor)

# 类型转换
tensor = tensor.cuda()
tensor = tensor.cpu()
tensor = tensor.float()
tensor = tensor.long()

torch tensor 与 numpy ndarray 转换

除了 CharTensor，其他所有 CPU 上的张量都支持转换为 numpy 格式然后再转换回来

Tensor 操作

模型参数

计算模型参数量

num_params = sum(torch.numel(param) for param in model.parameters())

查看模型参数

可以通过 model.state_dict() 或者 model.named_parameters() 函数查看现在的全部可训练参数(包括通过继承得到的父类中的参数)

params = list(model.named_parameters())
(name, param) = param[28]
print(name)
print(param)
print(param.grad)

模型信息打印

torchinfo

from torchinfo import summary

model_stats = summary(your_model, (1, 3, 28, 28), verbose=0)
summary_str = str(model_stats)

• torchinfo

模型可视化

torchviz

import torch.nn as nn
from torchviz import make_dot

model = nn.Sequential()
model.add_module('W0', nn.Linear(8, 16))
model.add_module('tanh', nn.Tanh())
model.add_module('W1', nn.Linear(16, 1))

x = torch.randn(1, 8)
y = model(x)

make_dot(y.mean(), params=dict(model.named_parameters()), show_attrs=True, show_saved=True)

• torchviz

梯度

梯度裁剪

Gradient Clipping

梯度裁剪在某些任务上会额外消耗大量的计算时间

import torch.nn as nn

outputs = model(data)

# forward
loss = loss_fn(outputs, target)
optimizer.zero_grad()

# bakcward
loss.backward()
nn.utils.clip_grad_norm_(
    model.parameters(), 
    max_norm = 20, 
    norm_type = 2
)
optimizer.step()

nn.utils.clip_grad_norm_ 的参数：

• parameters：一个基于变量的迭代器，会进行梯度归一化
• max_norm：梯度的最大范数
• norm_type：规定范数的类型，默认为 L2

学习率

学习率衰减

import torch.optim as optim
from torch.optim import lr_scheduler

# 训练前的初始化
optimizer = optim.Adam(net.parameters(), lr = 1e-3)
scheduler = lr_scheduler.StepLR(optimizer, 10, 0.1)

# 训练过程中
for n in n_epoch:
    scheduler.step()

参考

• PyTorch Tricks
• PyTorch 高频代码段集锦
• 竞赛中神经网络训练技巧汇总