動態(tài)計算圖和GPU支持操作
動態(tài)計算圖
在深度學習中使用 PyTorch 的主要原因之一，是我們可以自動獲得定義的函數(shù)的梯度/導數(shù)。
當我們操作我們的輸入時，會自動創(chuàng)建一個計算圖。該圖顯示了如何從輸入到輸出的動態(tài)計算過程。
為了熟悉計算圖的概念，下面將為以下函數(shù)創(chuàng)建一個：
這里的 是我們的參數(shù)，我們想要優(yōu)化(最大化或最小化)輸出 . 為此，我們想要獲得梯度.
在下面的代碼中，我將使用[1,2,3]作輸入。
- # 只有浮動張量有梯度
- x = torch.arange(1,4, dtype=torch.float32, requires_grad=True)
- print("X", x)
- # X tensor([1., 2., 3.], requires_grad=True)
現(xiàn)在讓我來一步一步地構建計算圖，了解每個操作是到底是如何添加到計算圖中的。
- a = x + 2
- b = a ** 2
- c = b + 3
- y = c.mean()
- print("Y", y)
- # Y tensor(19.6667, grad_fn=<MeanBackward0>)
使用上面的語句，我們創(chuàng)建了一個類似于下圖的計算圖(通過tensorboard )查看：
我們計算 a 基于輸入x 和常數(shù)2, b是 a平方等等操作。計算圖通常以相反的方向可視化(箭頭從結果指向輸入)。
我們可以通過backward()在最后一個輸出上調用函數(shù)來對計算圖執(zhí)行反向傳播，這樣可以，計算了每個具有屬性的張量的梯度requires_grad=True：
- y.backward()
最后打印x.grad就可以查看對應梯度。
GPU支持操作
在Pytorch中GPU 可以并行執(zhí)行數(shù)以千計的小運算，因此非常適合在神經網絡中執(zhí)行大型矩陣運算。
「CPU 與 GPU的區(qū)別」
PyTorch 使用GPU，需要搭建NVIDIA 的CUDA和cuDNN。
下面代碼，檢查是否有可用的 GPU：
- gpu_avail = torch.cuda.is_available()
- print("Is the GPU available? %s" % str(gpu_avail))
現(xiàn)在創(chuàng)建一個張量并將其推送到GPU設備：
- 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 旁邊的零表示這是計算機上的第0個 GPU 設備。因此，PyTorch 還支持多 GPU 系統(tǒng)，
下面將CPU 上的大型矩陣乘法的運行時間與 GPU 上的運算進行比較：
根據(jù)系統(tǒng)中的配置而定，GPU加速提高模型的訓練速度。
