PyTorch学习日志_20201031_数据并行处理

日期：2020.10.31
主题：PyTorch入门
内容：

• 根据PyTorch官方教程文档，学习如何使用数据并行(DataParallel）来使用多GPU。

• 根据自己的理解和试验，为代码添加少量注解。

具体代码如下 ↓

"""
{数据并行处理}
"""

"""
【导入和参数】
"""
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# Parameters 和 DataLoaders
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")


"""
【虚拟数据集】
"""
#  实现__getitem__来制作一个虚拟(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

rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
                         batch_size=batch_size, shuffle=True)


"""
【简单模型】
 
 方便起见，这个模型只接受一个输入，执行一个线性操作，然后得到结果。
 实际上，我们能在任何模型(CNN，RNN，Capsule Net等）上使用DataParallel。

"""             
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
    
    
"""
【创建一个模型和数据并行】

 首先，我们需要创建一个模型实例和检测我们是否有多个GPU。
    如果我们有多个GPU，我们使用nn.DataParallel来包装我们的模型。
 然后通过model.to(device)把模型放到GPU上。
 
"""
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)


"""
【运行模型】
"""
# 观察输入和输出张量的大小
for data in rand_loader: 
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())


"""
<总结>

 DataParallel自动的划分数据，并将作业顺序发送到多个GPU上的多个模型。
 DataParallel会在每个模型完成作业后，收集与合并结果然后返回给你。
 
"""