PyTorch 60 分鐘入門教程：數據並行處理

在這個教程中，我們將學習如何用 DataParallel 來使用多 GPU。

通過 PyTorch 使用多個 GPU 非常簡單。你可以將模型放在一個 GPU：

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

然後，你可以複製所有的張量到 GPU：

 mytensor = my_tensor.to(device)

請注意，只是調用 my_tensor.to(device) 返回一個 my_tensor 新的複製在GPU上，而不是重寫 my_tensor。你需要分配給他一個新的張量並且在 GPU 上使用這個張量。

在多 GPU 中執行前饋，後饋操作是非常自然的。儘管如此，PyTorch 默認只會使用一個 GPU。通過使用 DataParallel 讓你的模型並行運行，你可以很容易的在多 GPU 上運行你的操作。

 model = nn.DataParallel(model)

這是整個教程的核心，我們接下來將會詳細講解。

引用和參數

引入 PyTorch 模塊和定義參數

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

# 參數

 input_size = 5
 output_size = 2
 batch_size = 30
 data_size = 100

設備

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

實驗（玩具）數據

生成一個玩具數據。你只需要實現 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，我們的模型只是獲得一個輸入，執行一個線性操作，然後給一個輸出。儘管如此，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。

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

創建模型並且數據並行處理

這是整個教程的核心。首先我們需要一個模型的實例，然後驗證我們是否有多個 GPU。如果我們有多個 GPU，我們可以用 nn.DataParallel 來 包裹 我們的模型。然後我們使用 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)

輸出：

Let's use 2 GPUs!

運行模型：

現在我們可以看到輸入和輸出張量的大小了。

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

輸出：

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])

結果：

如果你沒有 GPU 或者只有一個 GPU，當我們獲取 30 個輸入和 30 個輸出，模型將期望獲得 30 個輸入和 30 個輸出。但是如果你有多個 GPU ，你會獲得這樣的結果。

多 GPU

如果你有 2 個GPU，你會看到：

# 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])

如果你有 3個GPU，你會看到：

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個GPU，你會看到：

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])

總結

數據並行自動拆分了你的數據並且將任務單發送到多個 GPU 上。當每一個模型都完成自己的任務之後，DataParallel 收集並且合併這些結果，然後再返回給你。

閱讀更多 人工智能遇見磐創 的文章

關鍵字: 一起皮一下才開心 SUSE 入門教程