PyTorch入门——使用GPU并行处理数据

      使用PyTorch我们可以方便的将数据及神经网络传递到GPU，使用GPU来加速网络训练。如果有多个GPU还可以使用多GPU并行处理数据。

      在使用n个GPU并行处理数据时，会将每个batch的数据都均分为n份，分别送入n个GPU中。待数据处理完成后，再将n份结果合成为一个batch输出。

具体使用方法如下：

1、关键函数：

# 将运行设备设置为GPU
device = torch.device("cuda:0")
# 将神经网络传递给GPU
model.to(device)
# 将Tensor数据传递给GPU
mytensor = my_tensor.to(device)
# 设置并行处理数据
model = nn.DataParallel(model)

2、使用GPU并行处理数据的完整示例：

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

# 设置参数
input_size = 5
output_size = 2

batch_size = 30
data_size = 100


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

# 生成随机数据集
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
# 载入数据
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
                         batch_size=batch_size, shuffle=True)

# 定义神经网络
class Model(nn.Module):
    # Our model

    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

# 创建神经网络，设置并行处理数据
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
  print("Let's use", torch.cuda.device_count(), "GPUs!")
  # dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
  model = nn.DataParallel(model)

model.to(device)

# 执行正向传播
for data in rand_loader:
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())