可选: 数据并行处理

作者: Sung Kim Jenny Kang

译者: bat67

校验者: FontTian 片刻

在这个教程里，我们将学习如何使用数据并行(DataParallel）来使用多GPU。

PyTorch非常容易的就可以使用GPU，可以用如下方式把一个模型放到GPU上:

  1. device = torch.device("cuda: 0")
  2. model.to(device)

然后可以复制所有的张量到GPU上:

  1. mytensor = my_tensor.to(device)

请注意，调用my_tensor.to(device)返回一个GPU上的my_tensor副本，而不是重写my_tensor。我们需要把它赋值给一个新的张量并在GPU上使用这个张量。

在多GPU上执行前向和反向传播是自然而然的事。然而，PyTorch默认将只是用一个GPU。你可以使用DataParallel让模型并行运行来轻易的让你的操作在多个GPU上运行。

  1. model = nn.DataParallel(model)

这是这篇教程背后的核心，我们接下来将更详细的介绍它。

导入和参数

导入PyTorch模块和定义参数。

  1. import torch
  2. import torch.nn as nn
  3. from torch.utils.data import Dataset, DataLoader
  5. # Parameters 和 DataLoaders
  6. input_size = 5
  7. output_size = 2
  9. batch_size = 30
  10. data_size = 100

设备(Device）:

  1. device = torch.device("cuda: 0" if torch.cuda.is_available() else "cpu")

虚拟数据集

要制作一个虚拟(随机）数据集，只需实现__getitem__。

  1. class RandomDataset(Dataset):
  3.     def __init__(self, size, length):
  4.         self.len = length
  5.         self.data = torch.randn(length, size)
  7.     def __getitem__(self, index):
  8.         return self.data[index]
  10.     def __len__(self):
  11.         return self.len
  13. rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
  14.                          batch_size=batch_size, shuffle=True)

简单模型

作为演示，我们的模型只接受一个输入，执行一个线性操作，然后得到结果。然而，你能在任何模型(CNN，RNN，Capsule Net等）上使用DataParallel。

我们在模型内部放置了一条打印语句来检测输入和输出向量的大小。请注意批等级为0时打印的内容。

  1. class Model(nn.Module):
  2.     # Our model
  4.     def __init__(self, input_size, output_size):
  5.         super(Model, self).__init__()
  6.         self.fc = nn.Linear(input_size, output_size)
  8.     def forward(self, input):
  9.         output = self.fc(input)
  10.         print("\tIn Model: input size", input.size(),
  11.               "output size", output.size())
  13.         return output

创建一个模型和数据并行

这是本教程的核心部分。首先，我们需要创建一个模型实例和检测我们是否有多个GPU。如果我们有多个GPU，我们使用nn.DataParallel来包装我们的模型。然后通过model.to(device)把模型放到GPU上。

  1. model = Model(input_size, output_size)
  2. if torch.cuda.device_count() > 1: 
  3.   print("Let's use", torch.cuda.device_count(), "GPUs!")
  4.   # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
  5.   model = nn.DataParallel(model)
  7. model.to(device)

输出:

  1. Let's use 2 GPUs!

运行模型

现在我们可以看输入和输出张量的大小。

  1. for data in rand_loader: 
  2.     input = data.to(device)
  3.     output = model(input)
  4.     print("Outside: input size", input.size(),
  5.           "output_size", output.size())

输出:

  1. In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  2.         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  3. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  4.         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  5.         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  6. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  7.         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  8.         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  9. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  10.         In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
  11.         In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
  12. Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

结果

当我们对30个输入和输出进行批处理时，我们和期望的一样得到30个输入和30个输出，但是若有多个GPU，会得到如下的结果。

2个GPU

若有2个GPU，将看到:

  1. Let's use 2 GPUs!
  2.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  3.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  4. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  5.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  6.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  7. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  8.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  9.     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
  10. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  11.     In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
  12.     In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
  13. Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

3个GPU

若有3个GPU，将看到:

  1. Let's use 3 GPUs!
  2.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  3.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  4.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  5. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  6.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  7.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  8.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  9. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  10.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  11.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  12.     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
  13. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  14.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  15.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  16.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  17. Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

8个GPU

若有8个GPU，将看到:

  1. Let's use 8 GPUs!
  2.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  3.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  4.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  5.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  6.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  7.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  8.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  9.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  10. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  11.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  12.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  13.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  14.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  15.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  16.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  17.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  18.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  19. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  20.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  21.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  22.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  23.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  24.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  25.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  26.     In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
  27.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  28. Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
  29.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  30.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  31.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  32.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  33.     In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
  34. Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

总结

DataParallel自动的划分数据，并将作业发送到多个GPU上的多个模型。DataParallel会在每个模型完成作业后，收集与合并结果然后返回给你。

更多信息，请参考: https://pytorch.org/tutorials/beginner/former_torchies/parallelism_tutorial.html