【PyTorch教程】07-PyTorch如何使用多块GPU训练神经网络模型

1. 绪论

在本篇博文中，你将学习到在PyTorch中如何使用多GPU进行并行训练。在PyTorch中使用多GPU训练神经网络模型是非常简单的，PyTorch已经为我们封装好一个 nn.DataParallel 类来进行多GPU训练。

先来回顾一下在单GPU中如何训练，首先，我们可以把张量复制到GPU上：

import torch
import torch.nn as nn

device = torch.device("cuda:0")  # 创建单GPU对象
mytensor = my_tensor.to(device)  # 复制到该GPU上

我们还可以把神经网络模型放到GPU上：

model.to(device)

【注意】

原本在CPU的张量只是复制了一个副本过去GPU，其本身仍旧存储在CPU上。因此使用 torch.to('cuda') 函数时，要声明一个新的变量来接收GPU张量。

但是，PyTorch默认只会使用一张GPU。因此我们可以使用 nn.DataParallel 在多块GPU上并行地运行你的神经网络模型：

model = nn.DataParallel(model)

下面将是本篇教程的核心内容。我会用一个简单的数据集和神经网络模型来详细演示如何使用多GPU进行运算。

2. 导入Pytoch模块并声明参数

为了简单起见，我们声明一个输入尺寸为5，输出尺寸为2的张量。批量大小设置为30，数据集大小为100：

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

# 声明参数
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

声明GPU：

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

3. 创建虚拟数据集

为了简单起见，创建一个简单的虚拟数据集，由随机值张量生成。

# 创建虚拟数据集类
class RandomDataset(Dataset):  # 继承torch.utils.data.Dataset抽象父类，要实现getitem抽象方法
    
    def __init__(self, size, length):  # RandomDataset类的构造器
        self.len = length
        self.data = torch.randn(length, size)  # 创建一个length×size大小的张量
        
    def __getitem__(self, index):  # 实现父类中的抽象方法
        return self.data[index]
    
    def __len__(self):
        return self.len

# 实例化数据集加载器
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
                         batch_size=batch_size, shuffle=True, num_workers=12)

4. 搭建一个简单的模型

简单起见，搭建一个只有一层全连接层的神经网络模型。为了方便大家观察到输入输出变化，我在模型中插入了 print 语句，在实际使用中不需要加。当然，你可以把本文的多GPU运算应用到任何复杂的神经网络模型中。

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 Model: input size", input.size,
              "output size", output.size)
        return output

5. 多GPU并行计算

这部分内容是本文的核心内容。首先，我们实例化模型对象，然后检查我们的电脑是否有多块GPU。如果有多块GPU，就可以使用 nn.DataParallel 打包我们的模型，最后用 nn.DataParallel 的 model.to(device) 把模型传送到多块GPU中进行运算。

model = Model(input_size, output_size)  # 实例化模型对象
if torch.cuda.device_count() > 1:  # 检查电脑是否有多块GPU
    print(f"Let's use {torch.cuda.device_count()} GPUs!")
    model = nn.DataParallel(model)  # 将模型对象转变为多GPU并行运算的模型

model.to(device)  # 把并行的模型移动到GPU上

6. 运行模型

现在，我们可以让模型跑起来，同时大家可以观察一下输入输出张量的形状变化：

for data in rand_loader:
    input = data.to(device)  # 把输入张量移到GPU
    output = model(input)
    print(f"Outside: input size {input.size()},"
          f"output_size {output.size()}")

博主服务器里有8张GPU，所以可以看到如下输出：

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([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([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([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])

可以看到，我们一共有100个数据，每个批量30个。PyTorch会自动帮我们尽可能地把每批次数据平均分到8张卡上。因此在前3个批次中，前7张卡都分到了4个数据，而最后一张卡分剩下的2个数据，一共是
$$7\times 4+2=30$$
个数据。刚好等于 batch_size = 30 。

而前3个批次已经计算完 $30\times 3=90$ 个数据了，自然剩下的 $100-90=10$ 个数据就分到了5张卡上，每张2个数据。100个数据分4个批次就运算完毕了，每个批次8张GPU都是并行地运算。

至此，恭喜你已经掌握了如何使用PyTorch进行多GPU运算了。