使用自动多 GPU 支持训练网络

此示例使用：

此示例说明如何使用自动并行支持在本地计算机上使用多个 GPU 进行深度学习训练。

训练深度学习网络通常需要几个小时或几天的时间。借助并行计算，您可以使用多个 GPU 加快训练速度。要了解有关并行训练选项的详细信息，请参阅Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud。

要求

在运行此示例之前，您必须将 CIFAR-10 数据集下载到本地计算机。要下载 CIFAR-10 数据集，请使用 downloadCIFARToFolders 函数，此函数作为支持文件包含在此示例中。要访问此文件，请以实时脚本形式打开此示例。使用以下代码将该数据集下载到您的当前目录。如果您已有 CIFAR-10 的本地副本，则可以略过本节。

directory = pwd;
[locationCifar10Train,locationCifar10Test] = downloadCIFARToFolders(directory);

Downloading CIFAR-10 data set...done.
Copying CIFAR-10 to folders...done.

加载数据集

使用 imageDatastore 对象加载训练和测试数据集。在以下代码中，确保数据存储的位置指向本地计算机中的 CIFAR-10。

imdsTrain = imageDatastore(locationCifar10Train, ...
 IncludeSubfolders=true, ...
 LabelSource="foldernames");

imdsTest = imageDatastore(locationCifar10Test, ...
 IncludeSubfolders=true, ...
 LabelSource="foldernames");

要使用增强的图像数据训练网络，请创建 augmentedImageDatastore 对象。使用随机平移和水平翻转。数据增强有助于防止网络过拟合和记忆训练图像的具体细节。

imageSize = [32 32 3];
pixelRange = [-4 4];
imageAugmenter = imageDataAugmenter( ...
    RandXReflection=true, ...
    RandXTranslation=pixelRange, ...
    RandYTranslation=pixelRange);
augmentedImdsTrain = augmentedImageDatastore(imageSize,imdsTrain, ...
    DataAugmentation=imageAugmenter);

定义网络架构和训练选项

为 CIFAR-10 数据集定义一个网络架构。为了简化代码，使用对输入进行卷积的卷积块。池化层对空间维度进行下采样。

blockDepth = 4; % blockDepth controls the depth of a convolutional block.
netWidth = 32; % netWidth controls the number of filters in a convolutional block.

layers = [
    imageInputLayer(imageSize) 
    
    convolutionalBlock(netWidth,blockDepth)
    maxPooling2dLayer(2,Stride=2)
    convolutionalBlock(2*netWidth,blockDepth)
    maxPooling2dLayer(2,Stride=2)    
    convolutionalBlock(4*netWidth,blockDepth)
    averagePooling2dLayer(8) 
    
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer
];

定义训练选项。通过将执行环境设置为 multi-gpu 使用多个 GPU 并行训练网络。当您使用多个 GPU 时，就增加了可用的计算资源。根据 GPU 的数量扩大小批量大小，以保持每个 GPU 上的工作负载不变。在此示例中，GPU 的数量是四个。根据小批量大小缩放学习率。使用学习率调度，以随着训练的进行降低学习率。打开训练进度图可在训练过程中获得可视化的反馈数据。

numGPUs = gpuDeviceCount("available")

numGPUs = 4

miniBatchSize = 256*numGPUs;
initialLearnRate = 1e-1*miniBatchSize/256;

options = trainingOptions("sgdm", ...
    ExecutionEnvironment="multi-gpu", ... % Turn on automatic multi-gpu support.
    InitialLearnRate=initialLearnRate, ... % Set the initial learning rate.
    MiniBatchSize=miniBatchSize, ... % Set the MiniBatchSize.
    Verbose=false, ... % Do not send command line output.
    Plots="training-progress", ... % Turn on the training progress plot.
    L2Regularization=1e-10, ...
    MaxEpochs=60, ...
    Shuffle="every-epoch", ...
    ValidationData=imdsTest, ...
    ValidationFrequency=floor(numel(imdsTrain.Files)/miniBatchSize), ...
    LearnRateSchedule="piecewise", ...
    LearnRateDropFactor=0.1, ...
    LearnRateDropPeriod=50);

训练网络及其分类使用

训练网络。在训练过程中，绘图将会显示进度。

net = trainNetwork(augmentedImdsTrain,layers,options)

Starting parallel pool (parpool) using the 'Processes' profile ...
Connected to the parallel pool (number of workers: 4).

net = 
  SeriesNetwork with properties:

         Layers: [43×1 nnet.cnn.layer.Layer]
     InputNames: {'imageinput'}
    OutputNames: {'classoutput'}

通过使用经过训练的网络对本地计算机上的测试图像进行分类，确定网络的准确度。然后将预测的标签与实际标签进行比较。

YPredicted = classify(net,imdsTest);
accuracy = sum(YPredicted == imdsTest.Labels)/numel(imdsTest.Labels)

accuracy = 0.8972

定义辅助函数

定义一个函数，以便在网络架构中创建卷积块。

function layers = convolutionalBlock(numFilters,numConvLayers)
    layers = [
        convolution2dLayer(3,numFilters,Padding="same")
        batchNormalizationLayer
        reluLayer];
    
    layers = repmat(layers,numConvLayers,1);
end

另请参阅

trainNetwork | trainingOptions | imageDatastore