Pytorch 即使使用GPU，培训也不会加速

批量大小为4

深度学习lib库=“数据”和数据[地标]是张量设备=火炬。（CUDA：0）和我使用的深度学习库，但GPU仍然不适合我。其使用率为5%，总时间为1.5-4小时

如果有人指出我的错误，我会很有帮助的

附加资源使用和GPU配置的映像。

附加显示GPU已打开的图像

这是我笔记本的链接

---

如果运行此语句，结果是什么

device=torch.device（'cuda'如果torch.cuda.is_可用（），则为'cpu'）

给出在计算机上运行的答案GPU@stackoverflowuser2010，我刚刚在我的问题中添加了另一个图像，显示GPU正在运行我不知道您的图像和裁剪图像的大小，但我认为您的模型太小了（数千个参数）GPU在CPU方面没有什么可以改进的。您可能主要受I/O限制。试着使用更大的线性层，看看这是否会提高GPU速度/CPU速度比——确实，训练时间会增加。但我想表明的是，你的GPU可能对要执行的操作的数量不感兴趣。您很可能可以执行更复杂的操作（比如更大的fc层或深度卷积，毕竟您正在处理图像）。JPG已经是加载/解压缩速度最快的文件格式之一，但您可以尝试使用pin_memory（）来减少数据传输瓶颈

transform = transforms.Compose([transforms.Resize(IMG_SIZE),
                                transforms.CenterCrop(CROP_SIZE),
                                transforms.ToTensor()]) 

class LandmarksDatasetTrain(Dataset):
    """Landmarks dataset.""" 

    def __init__(self, landmarks_frame, root_dir, transform=None):
        """
        Args:
            csv_file (string): Path to the csv file with annotations.
            root_dir (string): Directory with all the images.
            transform (callable, optional): Optional transform to be applied
                on a sample.
        """
        self.landmarks_frame = landmarks_frame
        self.root_dir = root_dir
        self.transform = transform 

    def __len__(self):
        return len(self.landmarks_frame)

    def __getitem__(self, idx):
        if torch.is_tensor(idx):
            idx = idx.tolist()
        img_name = os.path.join(self.root_dir,self.landmarks_frame.loc[idx, 'id'][0],self.landmarks_frame.loc[idx, 'id'][1], self.landmarks_frame.loc[idx, 'id'][2], self.landmarks_frame.loc[idx, 'id'])
        img_name += ".jpg"
        image = Image.open(img_name)
        landmarks = self.landmarks_frame.loc[idx, 'landmark_id']
        sample = {'image': image, 'landmarks': landmarks}

        if self.transform:
            sample['image'] = self.transform(sample['image'])
            sample['landmarks'] = torch.tensor(sample['landmarks'])

        return sample

dataset_train = LandmarksDatasetTrain(landmarks_frame = frame,
                                      root_dir='/kaggle/input/landmark-recognition-2020/train',
                                      transform=transform)

train_loader = DataLoader(dataset_train, batch_size=4, shuffle=True, num_workers=4, drop_last=False)

class Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(CROP_SIZE*CROP_SIZE*3, 64)
        self.fc2 = nn.Linear(64, 64)
        self.fc3 = nn.Linear(64, 64)
        self.fc4 = nn.Linear(64, frame['landmark_id'].nunique())

    def forward(self, x):
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = F.relu(self.fc3(x))
        x = self.fc4(x)
        return F.log_softmax(x, dim=1)

net = Net()
net.to(device)

for epoch in range(3): 
    optimizer = optim.Adam(net.parameters(), lr=0.001)
    for data in tqdm(train_loader):  
        X = data['image'].to(device)  
        y = data['landmarks'].to(device) 
        net.zero_grad()  
        output = net(X.view(-1,CROP_SIZE*CROP_SIZE*3))  
        loss = F.nll_loss(output, y) 
        loss.backward()  
        optimizer.step() 
    print(loss)