配置GPU版本的pytorch和torchvision，初学GPU版本torch踩坑

首先我们来了解一些经常用到的词！！
在我们学习pytorch时，都想用GPU跑，因为GPU支持并行，可以大大加快运行速度。
那么具体为什么GPU比CPU快呢？看这：
为什么GPU能比CPU快？？

在了解这个之后，我相信我们也会经常听到CUDA这个名词。
CUDA呢他其实是一个框架，在这个框架上它支持GPU的使用，所以我们后面装的torch库和torchvision库都是cu版本的，相当于把这个框架也给装了进去，然后就支持了GPU。

讲一下torch和pythorch。
当时我被这个困扰了很久，因为没有认真看过他们。
后面才知道torch是一种由lua语言开发的框架，而pytorch就是装了一个python版本的torch,所以在python里面还是导入的torch。

怎么查看自己电脑支不支持cuda呢？也就是能不能运行GPU？
xin+r进入命令行输入 nvidia-smi

出现这个就代表你电脑有这个框架，可以支持GPU。我的版本比较新，因为我去官网下载了驱动。
官网在这

注意，只是在这个链接里面学习更新自己的CUDA而已，我用他那个方法直接在官网生成命令。
https://pytorch.org/ （pytorch)官网,在这里生成安装命令。
生成的命令：

可以看到他是直接安装的库，而一般都是默认装的CPU版本的，所以说还是没有正确的安装GPU版本。
参考的这个大佬的博客！！！
大哥呀1！！！点击这里

上面大哥说的也很清楚了吧。跟着做完之后就成功了安装GPU版本的torch等库。

之后就好了。

现在就可以使用了。
这里再附上一篇小土堆大哥基础torch和gpu的使用。
这里面是搭建一个基础的网络并进行预测与反向传播。
有着基本的搭建思想以及训练思想。

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter

# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader

# 定义训练的设备
device = torch.device("cuda")

train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))


# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
tudui = Tudui()
tudui = tudui.to(device)

# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn = loss_fn.to(device)
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("../logs_train")

for i in range(epoch):
    print("-------第 {} 轮训练开始-------".format(i+1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:  #一次取得64个图片，一个批
        imgs, targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()  #一个bathc进行一次更新，计算下一个的时候上一个的梯度需要清零
        loss.backward() #Pytorch的autograd就会自动沿着计算图反向传播
        optimizer.step()  #参数更新

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            imgs = imgs.to(device)
            targets = targets.to(device)
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

安装gpu版本的torch坑就在自动安装和手动下载库安装这里。后者得到解决。
后面的代码也是搭建了一个基本的网络，值得学习！！！
深夜淦，遭不住了，睡了睡了·~~~