pytorch DistributedDataParallel多卡并行训练
Pytorch 中最简单的并行计算方式是 nn.DataParallel。
DataParallel 使用单进程控制将模型和数据加载到多个 GPU 中,控制数据在 GPU 之间的流动,协同不同 GPU 上的模型进行并行训练。
但是DataParallel的缺点十分明显,各卡之间的负载不均衡,主卡的负载过大。运行时间大概是distributed 的四倍。
所以,下面我们介绍使用distributed 的计算方式。
先设定下local_rank,这是很重要的参数
parser = argparse.ArgumentParser()
parser.add_argument('--local_rank', default=0, type=int, help='node rank for distributed training')
args = parser.parse_args()
print(args.local_rank)
torch.distributed.init_process_group('nccl', init_method='env://')
torch.cuda.set_device(args.local_rank)
device = torch.device("cuda", args.local_rank)
train_dataset = ModelNet_Loader(root, 'train', args) #自己写的类
test_dataset = ModelNet_Loader(root, 'test', args) #自己写的类
train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset)
test_sampler = torch.utils.data.distributed.DistributedSampler(test_dataset)
train_loader = DataLoader(train_dataset, num_workers=2,batch_size=args.batch_size, shuffle=False, drop_last=True, sampler=train_sampler)
test_loader = DataLoader(test_dataset, num_workers=2,batch_size=args.test_batch_size, shuffle=False, drop_last=False, sampler = test_sampler)
#Try to load models
if args.model == 'STN3d':
model = STN3d() #自己的model
print(str(model))
model.to(device)
model = torch.nn.parallel.DistributedDataParallel(model,device_ids=[args.local_rank],output_device=args.local_rank)
然后我们运行如下代码,启动训练
CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 --master_port 29501 main.py
参考
https://zhuanlan.zhihu.com/p/98535650