PyTorch 算法加速指南

目录

1. 介绍

2. 如何检查CUDA的可用性？

3. 如何获取有关cuda设备的更多信息？

4. 如何存储张量并在GPU上运行模型？

5. 如果有多个GPU，如何选择和使用GPU？

6. 数据并行

7. 数据并行性比较

8. torch.multiprocessing

9. 参考文献

image

1. 引言:

在本文中，我将展示如何使用torch和pycuda检查、初始化GPU设备，以及如何使算法更快。

PyTorch是建立在torch之上的机器学习库。它得到了Facebook AI研究小组的支持。在最近开发之后，由于它的简单性，动态图以及本质上是pythonic，它已经获得了很大的普及。它的速度仍然不会落后，在许多情况下甚至可以超越其表现。

pycuda允许您从python访问Nvidia的CUDA并行计算API。

2.如何检查CUDA的可用性

image

Sydney Rae在《 Unsplash》上创作的“沙滩上的棕色干树叶”

要检查Torch是否可以使用cuda设备，您可以简单地运行：

import torch

3. 如何获得cuda设备更多信息

image

Rawpixel在Unsplash上发布的“黑色智能手机”

要获取设备的基本信息，可以使用torch.cuda。但是，要获取有关设备的更多信息，可以使用pycuda，这是CUDA库周围的python包装器。您可以使用类似：

import torch

或者

torch.cuda.get_device_name(0) # Get name device with ID '0'

我编写了一个简单的类来获取有关您的cuda兼容GPU的信息：

image

image

要获取当前的内存使用情况，可以使用pyTorch的函数，例如：

mport torch

运行应用程序后，可以使用简单的命令清除缓存：

# Releases all unoccupied cached memory currently held by

但是，使用此命令不会通过张量释放占用的GPU内存，因此它无法增加可用于PyTorch的GPU内存量。

这些内存方法仅适用于GPU。

4. 如何在GPU上储存张量并且运行模型？

使用 .cuda

image

五只鸽子在栏杆上栖息，一只鸽子在飞行中---来自Nathan Dumlao Unsplash上的作品

如果要在cpu上存储内容，可以简单地写：

 
  
a = torch.DoubleTensor([1., 2.])
 
  

此向量存储在cpu上，您对其执行的任何操作都将在cpu上完成。要将其传输到gpu，您只需执行.cuda：

 
  
a = torch.FloatTensor([1., 2.]).cuda()
 
  

或者

这将为其选择默认设备，该默认设备可通过命令查看

 
  
torch.cuda.current_device()
 
  

也可以这样：

 
  
a.get_device()
 
  

您也可以将模型发送到GPU设备。例如，考虑一个由nn.Sequential组成的简单模块：

 
  
sq = nn.Sequential(
 
  

要将其发送到GPU设备，只需执行以下操作：

 
  
model = sq.cuda()
 
  

您可以检查它是否在GPU设备上，为此，您必须检查其参数是否在GPU设备上，例如：

 
  
# From the discussions here: discuss.pytorch.org/t/how-to-check-if-model-is-on-cuda
 
  

5. 在多个GPU中，如何选择GPU进行运算？

image.gif

NeONBRAND 在Unsplash上的“工具的选择性聚焦摄影”您可以为当前应用程序/存储选择一个GPU，该GPU可以与您为上一个应用程序/存储选择的GPU不同。正如在第（2）部分中已经看到的那样，我们可以使用pycuda获取所有与cuda兼容的设备及其ID，在此不再赘述。考虑到您有3个cuda兼容设备，可以将张量初始化并分配给特定设备，如下所示：

image

在这些Tensor上执行任何操作时，无论选择哪个设备，都可以执行该操作，结果将与Tensor保存在同一设备上。

 
  
x = torch.Tensor([1., 2.]).to(cuda2)
 
  

如果您有多个GPU，则可将应用程序在多个设备上工作，但是它们之间会产生通信开销。但是，如果您不需要太多中继信息，则可以尝试一下。其实还有一个问题。在PyTorch中，默认情况下，所有GPU操作都是异步的。尽管在CPU和GPU或两个GPU之间复制数据时确实进行了必要的同步，但是如果您仍然使用torch.cuda.Stream（）命令创建自己的流，那么您将必须自己照顾指令的同步 。从PyTorch的文档中举一个例子，这是不正确的：

 
  
cuda = torch.device('cuda')
 
  

如果您想充分利用多个GPU，可以：1.将所有GPU用于不同的任务/应用程序，2.将每个GPU用于集合或堆栈中的一个模型，每个GPU都有数据副本（如果可能），因为大多数处理是在训练模型期间完成的，3.在每个GPU中使用带有切片输入和模型副本。每个GPU都会分别计算结果，并将其结果发送到目标GPU，然后再进行进一步的计算等。

6. 数据并行?

image.gif

阿比盖尔·基南（Abigail Keenan）在《 Unsplash》上的“森林中的树木摄影”
在数据并行中，我们将从数据生成器获得的数据（一个批次）分割为较小的小型批次，然后将其发送到多个GPU进行并行计算。在PyTorch中，数据并行是使用torch.nn.DataParallel实现的。我们将看到一个简单的示例来了解实际情况。为此，我们必须使用nn.parallel的一些功能，即：1.复制：在多个设备上复制模块。2.分散：在这些设备中的第一维上分配输入。3.收集：从这些设备收集和连接第一维的输入。4.parallel_apply：要将从Scatter获得的一组分布式输入s，应用于从Replicate获得的相应分布式Module集合。

 
  
# Replicate module to devices in device_ids
 
  

或者，更简单

 
  
model = nn.DataParallel(model, device_ids=device_ids)
 
  

7.数据并行的比较

image

Icon8团队在Unsplash上发布“银铃闹钟”我没有多个GPU，但是我可以在这里找到Ilia Karmanov和他的github存储库上一篇不错的文章，其中比较了使用多个GPU的大多数框架。他的结果：

image

[他的github存储库最新更新：（2018年6月19日）]。PyTorch 1.0，Tensorflow 2.0的发布以及新的GPU可能已经改变了这一点……]因此，您可以看到，即使必须在开始和结束时与主设备进行通信，并行处理也绝对有帮助。在多GPU情况下,PyTorch的结果要比Chainer及其他所有结果都快。通过一次调用DataParallel，Pytorch也使其变得简单。

8. torch.multiprocessing

image.gif

Unsplash 上Matthew Hicks作品torch.multiprocessing是Python多处理模块的包，其API与原始模块100％兼容。因此，您可以在此处使用Python的多处理模块中的Queue，Pipe，Array等。此外，为了使其更快，他们添加了一个方法share_memory_（），该方法使数据进入任何进程时都可以直接使用，因此将数据作为参数传递给不同的进程将不会复制该数据。

您可以共享张量，模型参数，也可以根据需要在CPU或GPU上共享它们。

image

您可以在此处的“池和进程”部分中使用上面的方法，并且要获得更快的速度，可以使用share_memory_（）方法在所有进程之间共享张量，而无需复制数据。您也可以使用机器集群。有关更多信息，请参见此处。

9. 参考:

1. https://documen.tician.de/pycuda/
2. https://pytorch.org/docs/stable/notes/cuda.html
3. https://discuss.pytorch.org/t/how-to-check-if-model-is-on-cuda
4. https://medium.com/@iliakarmanov/multi-gpu-rosetta-stone-d4fa96162986

感谢您的阅读！

via https://towardsdatascience.com/speed-up-your-algorithms-part-1-pytorch-56d8a4ae7051