pytorch利用多個GPU並行計算

參考：

https://pytorch.org/docs/stable/nn.html

https://github.com/apachecn/pytorch-doc-zh/blob/master/docs/1.0/blitz_data_parallel_tutorial.md

一、 torch.nn.DataParallel

torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)

在正向傳遞中，模塊在每個設備上覆制，每個副本處理一部分輸入。在向後傳遞期間，來自每個副本的漸變被加到原始模塊中。

• module：需要並行處理的模型
• device_ids：並行處理的設備，默認使用所有的cuda
• output_device：輸出的位置，默認輸出到cuda:0

例子：

>>> net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])
>>> output = net(input_var)  # input_var can be on any device, including CPU

torch.nn.DataParallel()返回一個新的模型，能夠將輸入數據自動分配到所使用的GPU上。所以輸入數據的數量應該大於所使用的設備的數量。

二、一個完整例子

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

# parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

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


# 隨機數據集
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)


# 以簡單模型爲例，同樣可以用於CNN, RNN 等複雜模型
class Model(nn.Module):
    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('In model: input size', input.size(), 'output size:', output.size())
        return output


# 實例
model = Model(input_size, output_size)

if torch.cuda.device_count() > 1:
    print("Use", torch.cuda.device_count(), 'gpus')
    model = nn.DataParallel(model)

model.to(device)

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([30, 5]) output size: torch.Size([30, 2])
Outside: input size  torch.Size([30, 5]) output size:  torch.Size([30, 2])
In model: input size torch.Size([30, 5]) output size: torch.Size([30, 2])
Outside: input size  torch.Size([30, 5]) output size:  torch.Size([30, 2])
In model: input size torch.Size([30, 5]) output size: torch.Size([30, 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])
Outside: input size  torch.Size([10, 5]) output size:  torch.Size([10, 2])

若有2個GPU

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])

若有3個GPU

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])

總結：

DataParallel自動的劃分數據，並將作業發送到多個GPU上的多個模型。DataParallel會在每個模型完成作業後，收集與合併結果然後返回給你。