PyTorch 60 分钟入门教程：数据并行处理

作者 | fendouai

编辑 | 安可

出品 | 磐创AI技术团队

在这个教程中，我们将学习如何用 DataParallel 来使用多 GPU。
通过 PyTorch 使用多个 GPU 非常简单。你可以将模型放在一个 GPU：

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

然后，你可以复制所有的张量到 GPU：

 mytensor = my_tensor.to(device)

请注意，只是调用 my_tensor.to(device) 返回一个 my_tensor 新的复制在GPU上，而不是重写 my_tensor。你需要分配给他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，后馈操作是非常自然的。尽管如此，PyTorch 默认只会使用一个 GPU。通过使用 DataParallel 让你的模型并行运行，你可以很容易的在多 GPU 上运行你的操作。

 model = nn.DataParallel(model)

这是整个教程的核心，我们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。你只需要实现 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.lenrand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),batch_size=batch_size, shuffle=True)

简单模型

为了做一个小 demo，我们的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。尽管如此，你可以使用 DataParallel   在任何模型(CNN, RNN, Capsule Net 等等.)

我们放置了一个输出声明在模型中来检测输出和输入张量的大小。请注意在 batch rank 0 中的输出。

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

创建模型并且数据并行处理

这是整个教程的核心。首先我们需要一个模型的实例，然后验证我们是否有多个 GPU。如果我们有多个 GPU，我们可以用 nn.DataParallel 来   包裹 我们的模型。然后我们使用 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：

现在我们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：

如果你没有 GPU 或者只有一个 GPU，当我们获取 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。但是如果你有多个 GPU ，你会获得这样的结果。

多 GPU

如果你有 2 个GPU，你会看到：

# on 2 GPUsLet'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])

如果你有 3个GPU，你会看到：

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])

如果你有 8个GPU，你会看到：

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你的数据并且将任务单发送到多个 GPU 上。当每一个模型都完成自己的任务之后，DataParallel 收集并且合并这些结果，然后再返回给你。

更多信息，请访问：
https://pytorch.org/tutorials/beginner/former_torchies/parallelism_tutorial.html

下载 Python 版本完整代码：data_parallel_tutorial.py

下载 jupyter notebook 版本完整代码：data_parallel_tutorial.ipynb

加入 PyTorch 交流 QQ 群：

你也许还想看：

● (Python)零起步数学+神经网络入门

  ● 使用Pytorch训练分类器详解（附python演练）

  ● 圣诞有礼 | 送免费公开课+机器学习+CV经典书籍共 14 本

欢迎扫码关注：