pytorch 入门笔记 -05- 数据并行

苍茫误此生 致力于分享web编程技术知识 本文由博客端 https://www.cangmangai.cn 主动推送

数据并行

在这个教程里,我们将学习如何使用 DataParallel 来使用多 GPU。

PyTorch 非常容易就可以使用多 GPU,用如下方式把一个模型放到 GPU 上:

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

GPU:然后复制所有的张量到 GPU 上:

mytensor = my_tensor.to(device)

请注意,只调用 my_tensor.to(device) 并没有复制张量到 GPU 上,而是返回了一个副本 。所以你需要把它赋值给一个新的张量并在 GPU 上使用这个张量。

在多 GPU 上执行前向和反向传播是自然而然的事。
但是 PyTorch 默认将只使用一个 GPU。

使用 DataParallel 可以轻易的让模型并行运行在多个 GPU 上。

model = nn.DataParallel(model)

这才是这篇教程的核心,接下来我们将更详细的介绍它。

导入和参数

导入 Pytorch 模块和定义参数

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

input_size = 5
output_size = 2

batch_size = 30
data_size = 100

Device

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

print(device)

运行结果为:

cuda:0

虚拟数据集

制作一个虚拟(随机)数据集,你只需实现 __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.len


rand_loader = DataLoader(dataset=RandomDataset(
    input_size, data_size), batch_size=batch_size, shuffle=True)

简单模型

作为演示,我们的模型只接受一个输入,执行一个线性操作,然后得到结果。说明:DataParallel 能在任何模型(CNN,RNN,Capsule Net 等)上使用。

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("\tIn Models: input size", input.size(),
              "output size", output.size())

        return output

创建一个模型和数据并行

首先,我们需要创建一个模型实例和检测我们是否有多个 GPU。若有多个 GPU,使用 nn.DataParallel 来包装我们的模型。然后通过 model.to(device) 把模型放到 GPU 上。

model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
    print("Let's use", torch.cuda.device_count(), "GPUs")
    model = nn.DataParallel(model)

model.to(device)
print(model)

运行结果为:

Model(
    (fc): Linear(in_features=5, out_features=2, bias=True)
)

运行模型

现在可以看到输入和输出张量的大小。

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

运行结果为:

In Models: 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 Models: 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 Models: 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 Models: 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])
  • Python

    Python 是一种面向对象、直译式电脑编程语言,具有近二十年的发展历史,成熟且稳定。它包含了一组完善而且容易理解的标准库,能够轻松完成很多常见的任务。它的语法简捷和清晰,尽量使用无异义的英语单词,与其它大多数程序设计语言使用大括号不一样,它使用缩进来定义语句块。

    505 引用 • 666 回帖 • 180 关注
  • PyTorch
    8 引用 • 8 回帖

欢迎来到这里!

我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。

注册 关于
请输入回帖内容 ...