【分布式训练】单机多卡—PyTorch

目的：

1、加快计算速度
2、缓解大数据压力

使用方式：

详见：【分布式训练】单机多卡的正确打开方式（三）：PyTorch
注意：
1、选择 DistributedDataParallel 要比 DataParallel 好

2、可能需要在parser中添加 parser.add_argument("--local_rank", type=int, help="") 如果你出现下面这种错误的话：

• argument for training: error: unrecognized arguments: --local_rank=2
• subprocess.CalledProcessError: Command ‘[…]’ returned non-zero exit status 2.

3、如果你的model要加载预训练的参数的话，那么，加载参数的代码需要放在第五步封装之前。比如下面的例子：

# 4) 封装之前要把模型移到对应的gpu
model = model.to(device)
model.load_state_dict(checkpoint["model"]) # 加载预训练参数
if torch.cuda.device_count() > 1:
    print("Let's use", torch.cuda.device_count(), "GPUs!")
    # 5) 封装
    model = torch.nn.parallel.DistributedDataParallel(model,device_ids=[local_rank],output_device=local_rank)

4、里面没提到的细节：
在执行命令的时候，参数nproc_per_node的值是你使用的gpu的数量，例如这里使用了gpu0和1，所以数量是2。

CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 torch_ddp.py