PyTorch 數(shù)據(jù)并行處理

可選擇：數(shù)據(jù)并行處理（文末有完整代碼下載）作者：Sung Kim 和 Jenny Kang

在這個教程中，我們將學(xué)習(xí)如何用 DataParallel 來使用多 GPU。通過 PyTorch 使用多個 GPU 非常簡單玻靡。你可以將模型放在一個 GPU：

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

然后蛆封，你可以復(fù)制所有的張量到 GPU：


mytensor = my_tensor.to(device)

請注意层玲，只是調(diào)用 my_tensor.to(device) 返回一個 my_tensor 新的復(fù)制在GPU上杖们，而不是重寫 my_tensor夷狰。你需要分配給他一個新的張量并且在 GPU 上使用這個張量宰闰。

在多 GPU 中執(zhí)行前饋茬贵，后饋操作是非常自然的。盡管如此移袍，PyTorch 默認(rèn)只會使用一個 GPU解藻。通過使用 DataParallel 讓你的模型并行運行，你可以很容易的在多 GPU 上運行你的操作葡盗。

model = nn.DataParallel(model)

這是整個教程的核心螟左，我們接下來將會詳細講解啡浊。引用和參數(shù)

引入 PyTorch 模塊和定義參數(shù)

 import torch
 import torch.nn as nn
 from torch.utils.data import Dataset, DataLoader

參數(shù)

 input_size = 5
 output_size = 2

 batch_size = 30
 data_size = 100

設(shè)備

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

實驗（玩具）數(shù)據(jù)

生成一個玩具數(shù)據(jù)。你只需要實現(xiàn) getitem.


class RandomDataset(Dataset):

    def __init__(self, size, length):
        self.len = length
        self.data = torch.randn(length, size)

    def __getitem__(self, index):
        return self.data[index]

    def __len__(self):
        return self.len

rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),batch_size=batch_size, shuffle=True)

簡單模型

為了做一個小 demo胶背，我們的模型只是獲得一個輸入巷嚣，執(zhí)行一個線性操作，然后給一個輸出钳吟。盡管如此廷粒，你可以使用 DataParallel 在任何模型(CNN, RNN, Capsule Net 等等.)

我們放置了一個輸出聲明在模型中來檢測輸出和輸入張量的大小。請注意在 batch rank 0 中的輸出红且。


class Model(nn.Module):
    # Our model

    def __init__(self, input_size, output_size):
        super(Model, self).__init__()
        self.fc = nn.Linear(input_size, output_size)

    def forward(self, input):
        output = self.fc(input)
        print("\tIn Model: input size", input.size(),
              "output size", output.size())

        return output

創(chuàng)建模型并且數(shù)據(jù)并行處理

這是整個教程的核心坝茎。首先我們需要一個模型的實例，然后驗證我們是否有多個 GPU暇番。如果我們有多個 GPU嗤放，我們可以用 nn.DataParallel 來包裹我們的模型。然后我們使用 model.to(device) 把模型放到多 GPU 中壁酬。

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

model.to(device)

輸出：


Let's use 2 GPUs!

運行模型：現(xiàn)在我們可以看到輸入和輸出張量的大小了次酌。

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

輸出：

結(jié)果：

如果你沒有 GPU 或者只有一個 GPU，當(dāng)我們獲取 30 個輸入和 30 個輸出舆乔，模型將期望獲得 30 個輸入和 30 個輸出和措。但是如果你有多個 GPU ，你會獲得這樣的結(jié)果蜕煌。

多 GPU

如果你有 2 個GPU派阱，你會看到：

如果你有 3個GPU，你會看到：

如果你有 8個GPU斜纪，你會看到：

<pre style="box-sizing: border-box; font-family: SFMono-Regular, Menlo, Monaco, Consolas, "Liberation Mono", "Courier New", Courier, monospace; font-size: 1em; white-space: pre;">Let's use 8 GPUs!
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])</pre>

總結(jié)

數(shù)據(jù)并行自動拆分了你的數(shù)據(jù)并且將任務(wù)單發(fā)送到多個 GPU 上贫母。當(dāng)每一個模型都完成自己的任務(wù)之后，DataParallel 收集并且合并這些結(jié)果盒刚，然后再返回給你腺劣。

下載 Python 版本完整代碼：

data_parallel_tutorial.py

下載 jupyter notebook 版本完整代碼：

data_parallel_tutorial.ipynb

PyTorch 數(shù)據(jù)并行處理

參數(shù)

總結(jié)