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("\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。

PyTorch Data Parrallel数据并行的更多相关文章

  1. PyTorch Tutorials 5 数据并行（选读）

    %matplotlib inline 数据并行(选读) Authors: Sung Kim and Jenny Kang 在这个教程里,我们将学习如何使用 DataParallel 来使用多GPU. ...

  2. [源码解析] PyTorch分布式优化器(2)----数据并行优化器

    [源码解析] PyTorch分布式优化器(2)----数据并行优化器 目录 [源码解析] PyTorch分布式优化器(2)----数据并行优化器 0x00 摘要 0x01 前文回顾 0x02 DP 之 ...

  3. [源码解析] PyTorch 分布式(1) --- 数据加载之DistributedSampler

    [源码解析] PyTorch 分布式(1) --- 数据加载之DistributedSampler 目录 [源码解析] PyTorch 分布式(1) --- 数据加载之DistributedSampl ...

  4. [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader

    [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader 目录 [源码解析] PyTorch 分布式(2) --- 数据加载之DataLoader 0x00 摘要 0x01 ...

  5. Data Pump(数据抽取)介绍

    从10g开始,Oracle提供更高效的Data Pump(即expdp/impdp)来进行数据的导入和导出,老的exp/imp还可以用,但已经不建议使用.注意:expdp/impdp和exp/imp之 ...

  6. 深度神经网络DNN的多GPU数据并行框架 及其在语音识别的应用

    深度神经网络(Deep Neural Networks, 简称DNN)是近年来机器学习领域中的研究热点,产生了广泛的应用.DNN具有深层结构.数千万参数需要学习,导致训练非常耗时.GPU有强大的计算能 ...

  7. 【深度学习系列2】Mariana DNN多GPU数据并行框架

    [深度学习系列2]Mariana DNN多GPU数据并行框架  本文是腾讯深度学习系列文章的第二篇,聚焦于腾讯深度学习平台Mariana中深度神经网络DNN的多GPU数据并行框架.   深度神经网络( ...

  8. Oracle 11g R2 Backup Data Pump(数据泵)之expdp/impdp工具

    Oracle Data Pump(以下简称数据泵)是Oracle 10g开始提供的一种数据迁移工具,同时也被广大DBA用来作为数据库的逻辑备份工具和体量较小的数据迁移工具.与传统的数据导出/导入工具, ...

  9. .Net并行编程（一）-TPL之数据并行

    前言 许多个人计算机和工作站都有多个CPU核心,可以同时执行多个线程.利用硬件的特性,使用并行化代码以在多个处理器之间分配工作. 应用场景 文件批量上传 并行上传单个文件.也可以把一个文件拆成几段分开 ...

随机推荐

  1. 给HTML5 Video 设置多语言字幕文件

    现在各种支持HTML5的浏览器都能够播放html5视频了,但是对于字幕的支持却很少,我们期待像DVD那样强大的字幕. 往往我们还不得不通过js来做,着实是一件痛苦的事情. 现在IE10率先对HTML5 ...

  2. 洛谷P1424 小鱼的航程(改进版)

    题目背景 原来的题目太简单,现改进让小鱼周末也休息,请已经做过重做该题. 题目描述 有一只小鱼,它上午游泳150公里,下午游泳100公里,晚上和周末都休息(实行双休日),假设从周x(1<=x&l ...

  3. androguard安装和体验

    安装步骤按照官方教程https://code.google.com/p/androguard/wiki/Installation,下面记录下无法在ubuntu下apt-get的模块: python模块 ...

  4. python 压缩模块大杂烩(zipfile，bz2，lzma，gzip，tarfile，zlib)

    [*] 以下压缩模块请结合python的官方文档(https://docs.python.org/3.5/library/index.html)来实践或者对比(我的是python 3.5) 1.pyt ...

  5. Android拆分与加载Dex的多种方案对比

    http://mp.weixin.qq.com/s?__biz=MzAwNDY1ODY2OQ==&mid=207151651&idx=1&sn=9eab282711f4eb2b ...

  6. 【pytest系列】- pytest测试框架介绍与运行

    如果想从头学起pytest,可以去看看这个系列的文章! https://www.cnblogs.com/miki-peng/category/1960108.html 前言​ ​ 目前有两种纯测试的测 ...

  7. 测试的V模型和W模型

    V模型 :后测试 优点: 1.每一阶段都清晰明了,便于把控开发的每一个过程. 2.既包含了单元测试又包含了系统测试 缺点: 1.测试介入的比较晚,所以开发前期的缺陷无从修改. 2.开发和测试串行. W ...

  8. 12.26vj训练补题

    D.City Day 题意:就是给定n,x,y,以及这n天的下雨量ai,要求这一天的下雨量是这一天前x天到后y天的下雨量中最小的.输出最早的(下标最小的)d.保证答案一定存在 思路:直接遍历寻找就好了 ...

  9. 微信小程序组件设计规范

    微信小程序组件设计规范 组件化开发的思想贯穿着我开发设计过程的始终.在过去很长一段时间里,我都受益于这种思想. 组件可复用 - 减少了重复代码量 组件做为抽离的功能单元 - 方便维护 组件作为temp ...

  10. 探索专有领域的端到端ASR解决之道

    摘要:本文从<Shallow-Fusion End-to-End Contextual Biasing>入手,探索解决专有领域的端到端ASR. 本文分享自华为云社区<语境偏移如何解决 ...