Kaggle 上使用 GPU

0. 环境介绍

环境使用 Kaggle 里免费建立的 Notebook

教程使用李沐老师的 动手学深度学习 网站和 视频讲解

小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。

1. Kaggle 上使用 GPU

找到右边 Settings 里面的 Accelerator：

选择 GPU：

每周可以使用 36 小时：

查看显卡信息：

!nvidia-smi

可以看到显卡为 Tesla P100，拥有 16G 显存。

2. 计算设备

我们可以指定用于存储和计算的设备，如 CPU 和 GPU。 默认情况下，张量是在内存中创建的，然后使用 CPU 计算它。

在 PyTorch 中，CPU 和 GPU 可以用 torch.device('cpu') 和 torch.device('cuda') 表示。 应该注意的是，cpu 设备意味着所有物理 CPU 和内存， 这意味着 PyTorch 的计算将尝试使用所有 CPU 核心。 然而，gpu 设备只代表一个卡和相应的显存。 如果有多个GPU，我们使用 torch.device(f'cuda:{i}') 来表示第 $i$ 块 GPU（从 $0$ 开始）。 另外，cuda:0 和cuda 是等价的。

import torch
from torch import nn

torch.device('cpu'), torch.device('cuda'), torch.device('cuda:1')

查询可用 gpu 的数量：

torch.cuda.device_count()

定义了两个函数， 这两个函数允许我们在不存在所需所有GPU的情况下运行代码：

def try_gpu(i=0):  #@save
    """如果存在，则返回gpu(i)，否则返回cpu()"""
    if torch.cuda.device_count() >= i + 1:
        return torch.device(f'cuda:{i}')
    return torch.device('cpu')

def try_all_gpus():  #@save
    """返回所有可用的GPU，如果没有GPU，则返回[cpu(),]"""
    devices = [torch.device(f'cuda:{i}')
             for i in range(torch.cuda.device_count())]
    return devices if devices else [torch.device('cpu')]

try_gpu(), try_gpu(10), try_all_gpus()

3. 张量与 GPU

查询张量所在的设备。 默认情况下，张量是在 CPU 上创建的：

x = torch.tensor([1, 2, 3])
x.device

3.1 存储在 GPU 上

X = torch.ones(2, 3, device=try_gpu())
X

存储在另一个 GPU，实际上我是没有另外一个 GPU 的，所以会使用 CPU ：

Y = torch.rand(2, 3, device=try_gpu(1))
Y

无论何时我们要对多个项进行操作， 它们都必须在同一个设备上。 例如，如果我们对两个张量求和， 我们需要确保两个张量都位于同一个设备上， 否则框架将不知道在哪里存储结果，甚至不知道在哪里执行计算。

X 在 GPU 上，Y 在 CPU，我们对它们进行求和：

X + Y

可以使用 X.cpu() 或者 Y.cuda() 使它们在一个设备上进行运算：

X.cpu() + Y, X + Y.cuda() 

3.2 旁注

人们使用GPU来进行机器学习，因为单个 GPU 相对运行速度快。 但是在设备（CPU、GPU 和其他机器）之间传输数据比计算慢得多。 这也使得并行化变得更加困难，因为我们必须等待数据被发送（或者接收）， 然后才能继续进行更多的操作。 这就是为什么拷贝操作要格外小心。 根据经验，多个小操作比一个大操作糟糕得多。 此外，一次执行几个操作比代码中散布的许多单个操作要好得多（除非你确信自己在做什么）。 如果一个设备必须等待另一个设备才能执行其他操作， 那么这样的操作可能会阻塞。 这有点像排队订购咖啡，而不像通过电话预先订购： 当你到店的时候，咖啡已经准备好了。
最后，当我们打印张量或将张量转换为 NumPy 格式时， 如果数据不在内存中，框架会首先将其复制到内存中， 这会导致额外的传输开销。 更糟糕的是，它现在受制于全局解释器锁，使得一切都得等待 Python 完成。

4. 神经网络和 GPU

神经网络模型可以指定设备。 下面的代码将模型参数放在 GPU 上：

net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu())

net(X)

确认模型参数存储在同一个 GPU 上:：

net[0].weight.data.device