pytorch默認使用單精度float32訓(xùn)練模型，
原因在于：
使用float16訓(xùn)練模型，模型效果會有損失，而使用double(float64)會有2倍的內(nèi)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(xùn)練模型的情況，具體實現(xiàn)需要把模型的權(quán)重參數(shù)數(shù)據(jù)類型和輸入數(shù)據(jù)類型全部設(shè)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(zhuǎn)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(zhì)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(guān)系！
那么8bits=1bytes，下面是各個單位的相互轉(zhuǎn)化！
那么float32和float64有什么區(qū)別呢?
數(shù)位的區(qū)別一個在內(nèi)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(xué)習(xí)計算效率?
float64占用的內(nèi)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(diào)入內(nèi)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(nèi)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）
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
您可能感興趣的文章:- 解決Pytorch半精度浮點型網(wǎng)絡(luò)訓(xùn)練的問題
- PyTorch梯度裁剪避免訓(xùn)練loss nan的操作
- pytorch訓(xùn)練神經(jīng)網(wǎng)絡(luò)爆內(nèi)存的解決方案
- Pytorch訓(xùn)練模型得到輸出后計算F1-Score 和AUC的操作
- pytorch加載預(yù)訓(xùn)練模型與自己模型不匹配的解決方案
- Pytorch訓(xùn)練網(wǎng)絡(luò)過程中l(wèi)oss突然變?yōu)?的解決方案
