PyTorch Data Parrallel数据并行

PyTorch Data Parrallel数据并行

• 可选择：数据并行处理
• 本文将学习如何用 DataParallel 来使用多 GPU。 通过 PyTorch 使用多个 GPU 非常简单。可以将模型放在一个 GPU：
•  device = torch.device("cuda:0")
•  model.to(device)
• 可以复制所有的张量到 GPU：
• mytensor = my_tensor.to(device)
• 调用 my_tensor.to(device) 返回一个 my_tensor， 新的复制在GPU上，而不是重写 my_tensor。需要分配一个新的张量并且在 GPU 上使用这个张量。
• 在多 GPU 中执行前馈，后继操作是非常自然的。尽管如此，PyTorch 默认只会使用一个 GPU。通过使用 DataParallel 让模型并行运行，可以很容易的在多 GPU 上运行操作。
• model = nn.DataParallel(model)
• 这是整个教程的核心，接下来将会详细讲解。 引用和参数
• 引入 PyTorch 模块和定义参数
• import torch
• import torch.nn as nn
• from torch.utils.data import Dataset, DataLoader
• 参数
•  input_size = 5
•  output_size = 2
•  batch_size = 30
•  data_size = 100
• 设备
• device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
• 实验（玩具）数据
• 生成一个玩具数据。只需要实现 getitem.
• classRandomDataset(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)
• 简单模型
• 做一个小 demo，模型只是获得一个输入，执行一个线性操作，然后给一个输出。可以使用 DataParallel   在任何模型(CNN, RNN, Capsule Net 等等.)
• 放置了一个输出声明在模型中，检测输出和输入张量的大小。在 batch rank 0 中的输出。
• classModel(nn.Module):
• # Our model
• def__init__(self, input_size, output_size):
•         super(Model, self).__init__()
•         self.fc = nn.Linear(input_size, output_size)
• defforward(self, input):
•         output = self.fc(input)
•         print(" In Model: input size", input.size(),
•               "output size", output.size())
• return output
• 创建模型并且数据并行处理
• 这是本文的核心。首先需要一个模型的实例，然后验证是否有多个 GPU。如果有多个 GPU，可以用 nn.DataParallel 来包裹模型。然后使用 model.to(device) 把模型放到多 GPU 中。
• 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)
• 输出：
• Let's use 2 GPUs!
• 运行模型： 现在可以看到输入和输出张量的大小了。
• for data in rand_loader:
•     input = data.to(device)
•     output = model(input)
•     print("Outside: input size", input.size(),
•           "output_size", output.size())
• 输出：
• In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•         In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•         In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
•         In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
• Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
• 结果：
• 如果没有 GPU 或者只有一个 GPU，当获取 30 个输入和 30 个输出，模型将期望获得 30 个输入和 30 个输出。但是如果有多个 GPU ，会获得这样的结果。
• 多 GPU
• 如果有 2 个GPU，会看到：
• # on 2 GPUs
• Let's use 2 GPUs!
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
•     In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•     In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
•     In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
• Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
• 如果有 3个GPU，会看到：
• Let's use 3 GPUs!
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
• Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
•     In Model: input size torch.Size([10, 5]) output size torch.Size([10, 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([2, 5]) output size torch.Size([2, 2])
• Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
• 如果有 8个GPU，会看到：
• 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])
• 总结
• 数据并行自动拆分了数据并，将任务单发送到多个 GPU 上。当每一个模型都完成任务之后，DataParallel 收集并且合并这些结果，然后再返回。