怎么在pytorch中使用float64訓練

怎么在pytorch中使用float64訓練？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現(xiàn)的原因和解決方法，通過這篇文章希望你能解決這個問題。

原因在于：

使用float16訓練模型，模型效果會有損失，而使用double(float64)會有2倍的內存壓力，且不會帶來太多的精度提升。

本人，最近遇到需要使用double數(shù)據(jù)類型訓練模型的情況，具體實現(xiàn)需要把模型的權重參數(shù)數(shù)據(jù)類型和輸入數(shù)據(jù)類型全部設置為torch.float64即可。

可使用torch的一個函數(shù)，輕松地把模型參數(shù)轉化為float64

torch.set_default_dtype(torch.float64)

輸入類型可使用

tensor.type(torch.float64)

補充：float32和float64的本質區(qū)別

首先我們需要知道何為bits和bytes?

bits:名為位數(shù)bytes:為字節(jié)簡單的數(shù)就是MB和G的關系！

那么8bits=1bytes，下面是各個單位的相互轉化！

那么float32和float64有什么區(qū)別呢?

數(shù)位的區(qū)別一個在內存中占分別32和64個bits，也就是4bytes或8bytes數(shù)位越高浮點數(shù)的精度越高它會影響深度學習計算效率?

float64占用的內存是float32的兩倍，是float16的4倍；

比如對于CIFAR10數(shù)據(jù)集，如果采用float64來表示，需要60000*32*32*3*8/1024**3=1.4G，光把數(shù)據(jù)集調入內存就需要1.4G；

如果采用float32，只需要0.7G，如果采用float16，只需要0.35G左右；

占用內存的多少，會對系統(tǒng)運行效率有嚴重影響；（因此數(shù)據(jù)集文件都是采用uint8來存在數(shù)據(jù)，保持文件最小）

pytorch的優(yōu)點

1.PyTorch是相當簡潔且高效快速的框架；2.設計追求最少的封裝；3.設計符合人類思維，它讓用戶盡可能地專注于實現(xiàn)自己的想法；4.與google的Tensorflow類似，F(xiàn)AIR的支持足以確保PyTorch獲得持續(xù)的開發(fā)更新；5.PyTorch作者親自維護的論壇 供用戶交流和求教問題6.入門簡單

看完上述內容，你們掌握怎么在pytorch中使用float64訓練的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業(yè)資訊頻道，感謝各位的閱讀！