做网站还得买域名吗,延安市建设厅网站,定制型网站建设多少钱,宣传链接用什么软件读者要先自行安装python以及anaconda#xff0c;并且配置pytorch环境 第一步 测试环境 import torch
# 判断macOS的版本是否支持
print(torch.backends.mps.is_available())
# 判断mps是否可用
print(torch.backends.mps.is_built())如果第一个语句为False#xff0c;说明当前…读者要先自行安装python以及anaconda并且配置pytorch环境 第一步 测试环境 import torch
# 判断macOS的版本是否支持
print(torch.backends.mps.is_available())
# 判断mps是否可用
print(torch.backends.mps.is_built())如果第一个语句为False说明当前MacOS的版本不够需要升级到12.3版本及以上且安装了arm64原生Python如果第二个语句为Fasle代表还没有安装nightly版本的Pytorch 第二步 安装nightly版本的Pytorch conda install pytorch torchvision torchaudio -c pytorch-nightly安装完成后使用
print(torch.backends.mps.is_built())进行验证是否可以使用mps进行训练
当两项都为True的时候在进行下面的步骤 第三步 使用GPU进行训练 代码演示为自定义的CIFAR10数据集的训练 可以参考【Pytorch】13.搭建完整的CIFAR10模型 首先我们先要引入设备
# 配置GPU为mps
device torch.device(mps)然后我们需要在三处添加为gpu训练
神经网络对象损失函数DataLoader中的数据
# 3.创建神经网络
model CIFAR10Model().to(device)# 4.设置损失函数与梯度下降算法
loss_fn nn.CrossEntropyLoss().to(device)for data in train_loader:# 训练基本流程inputs, labels data# 加入gpu训练inputs, labels inputs.to(device), labels.to(device)with torch.no_grad():for data in test_loader:# 测试集流程inputs, labels datainputs, labels inputs.to(device), labels.to(device)分别在上面四处进行修改 就可以实现m1芯片来进行gpu训练 性能对比 M1 mac CPU训练 batch_size64的情况下每训练100次的时间
M1 mac GPU训练 batch_size64的情况下每训练100次的时间
我们可以看到使用GPU的速度在本模型中还是比CPU快不少的 参考文章 炼丹速度×7你的Mac电脑也能在PyTorch训练中用GPU加速了 【MacOS】MacBook使用本机m1芯片GPU训练的方法mps替代cuda
