add 4.6 doc

docs/chapter04_DL_computation/4.6_use-gpu.md

@@ -0,0 +1,160 @@
+# 4.6 GPU计算
+
+到目前为止，我们一直在使用CPU计算。对复杂的神经网络和大规模的数据来说，使用CPU来计算可能不够高效。在本节中，我们将介绍如何使用单块NVIDIA GPU来计算。所以需要确保已经安装好了PyTorch GPU版本。准备工作都完成后，下面就可以通过`nvidia-smi`命令来查看显卡信息了。
+
+```{.python .input  n=1}
+!nvidia-smi  # 对Linux/macOS用户有效
+```
+输出：
+```
+Sun Mar 17 14:59:57 2019       
++-----------------------------------------------------------------------------+
+| NVIDIA-SMI 390.48                 Driver Version: 390.48                    |
+|-------------------------------+----------------------+----------------------+
+| 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 1050    Off  | 00000000:01:00.0 Off |                  N/A |
+| 20%   36C    P5    N/A /  75W |   1223MiB /  2000MiB |      0%      Default |
++-------------------------------+----------------------+----------------------+
+                                                                               
++-----------------------------------------------------------------------------+
+| Processes:                                                       GPU Memory |
+|  GPU       PID   Type   Process name                             Usage      |
+|=============================================================================|
+|    0      1235      G   /usr/lib/xorg/Xorg                           434MiB |
+|    0      2095      G   compiz                                       163MiB |
+|    0      2660      G   /opt/teamviewer/tv_bin/TeamViewer              5MiB |
+|    0      4166      G   /proc/self/exe                               416MiB |
+|    0     13274      C   /home/tss/anaconda3/bin/python               191MiB |
++-----------------------------------------------------------------------------+
+```
+可以看到我这里只有一块GTX 1050，显存一共只有2000M（太惨了😭）。
+
+## 4.6.1 计算设备
+
+PyTorch可以指定用来存储和计算的设备，如使用内存的CPU或者使用显存的GPU。默认情况下，PyTorch会将数据创建在内存，然后利用CPU来计算。
+
+用`torch.cuda.is_available()`查看GPU是否可用:
+``` python
+import torch
+from torch import nn
+
+torch.cuda.is_available() # 输出 True
+```
+
+查看GPU数量：
+``` python
+torch.cuda.device_count() # 输出 1
+```
+查看当前GPU索引号，索引号从0开始：
+``` python
+torch.cuda.current_device() # 输出 0
+```
+根据索引号查看GPU名字:
+``` python
+torch.cuda.get_device_name(0) # 输出 'GeForce GTX 1050'
+```
+
+## 4.6.2 `Tensor`的GPU计算
+默认情况下，`Tensor`会被存在内存上。因此，之前我们每次打印`Tensor`的时候看不到GPU相关标识。
+``` python
+x = torch.tensor([1, 2, 3])
+x
+```
+输出：
+```
+tensor([1, 2, 3])
+```
+使用`.cuda()`可以将CPU上的`Tensor`转换（复制）到GPU上。如果有多块GPU，我们用`.cuda(i)`来表示第 $i$ 块GPU及相应的显存（$i$从0开始）且`cuda(0)`和`cuda()`等价。
+``` python
+x = x.cuda(0)
+x
+```
+输出：
+```
+tensor([1, 2, 3], device='cuda:0')
+```
+
+我们可以通过`Tensor`的`device`属性来查看该`Tensor`所在的设备。
+```python
+x.device
+```
+输出：
+```
+device(type='cuda', index=0)
+```
+我们可以直接在创建的时候就指定设备。
+``` python
+device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+
+x = torch.tensor([1, 2, 3], device=device)
+# or
+x = torch.tensor([1, 2, 3]).to(device)
+x
+```
+输出：
+```
+tensor([1, 2, 3], device='cuda:0')
+```
+如果对在GPU上的数据进行运算，那么结果还是存放在GPU上。
+``` python
+y = x**2
+y
+```
+输出：
+```
+tensor([1, 4, 9], device='cuda:0')
+```
+需要注意的是，存储在不同位置中的数据是不可以直接进行计算的。即存放在CPU上的数据不可以直接与存放在GPU上的数据进行运算，位于不同GPU上的数据也是不能直接进行计算的。
+``` python
+z = y + x.cpu()
+```
+会报错:
+```
+RuntimeError: Expected object of type torch.cuda.LongTensor but found type torch.LongTensor for argument #3 'other'
+```
+
+## 4.6.3 模型的GPU计算
+
+同`Tensor`类似，PyTorch模型也可以通过`.cuda`转换到GPU上。我们可以通过检查模型的参数的`device`属性来查看存放模型的设备。
+
+``` python
+net = nn.Linear(3, 1)
+list(net.parameters())[0].device
+```
+输出：
+```
+device(type='cpu')
+```
+可见模型在CPU上，将其转换到GPU上:
+``` python
+net.cuda()
+list(net.parameters())[0].device
+```
+输出：
+```
+device(type='cuda', index=0)
+```
+
+同样的，我么需要保证模型输入的`Tensor`和模型都在同一设备上，否则会报错。
+
+``` python
+x = torch.rand(2,3).cuda()
+net(x)
+```
+输出：
+```
+tensor([[-0.5800],
+        [-0.2995]], device='cuda:0', grad_fn=<ThAddmmBackward>)
+```
+
+
+## 小结
+
+* PyTorch可以指定用来存储和计算的设备，如使用内存的CPU或者使用显存的GPU。在默认情况下，PyTorch会将数据创建在内存，然后利用CPU来计算。
+* PyTorch要求计算的所有输入数据都在内存或同一块显卡的显存上。
+
+
+-----------
+> 注：本节与原书此节有一些不同，[原书传送门](https://zh.d2l.ai/chapter_deep-learning-computation/use-gpu.html)