参考 Pytorch多GPU的计算和Sync BatchNorm - 云+社区 - 腾讯云
nn.DataParallel
pytorch中使用GPU非常方便和简单:
import torch
import torch.nn as nn
input_size = 5
output_size = 2
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]: device",torch.cuda.current_device() ," input size", input.size()," output size", output.size())
return output
device = torch.device('cuda:0')
model = Model(input_size, output_size)
model.to(device)
x = torch.Tensor(2,5)
x = x.to(device)
y = model(x)
这里需要注意的是,仅仅调用Tensor.to()
只会在GPU上返回一个新的copy,并不会对原来的引用造成变化,因此需要通过赋值rewrite。
上述只是对单个GPU的使用方法,对于多个GPU,pytorch也提供了封装好的接口——DataParallel
,只需要将model 对象
放入容器中即可:
model = Model(input_size, output_size)
print("Let's use", torch.cuda.device_count(), "GPUs!\n")
model = nn.DataParallel(model)
model.to(device)
print(model)
# output
# Let's use 2 GPUs!
DataParallel(
(module): Model(
(fc): Linear(in_features=5, out_features=2, bias=True)
)
)
看到这次输出的model外面还有一层DataParallel
,但这里并没有体现出存在多个GPU。
接下来构造一个Dummy DataSet&