pytorch 分布式多卡训练DistributedDataParallel 踩坑记

前言：

　　近几天想研究了多卡训练，就花了点时间，本以为会很轻松，可是好多坑，一步一步踏过来，一般分布式训练分为单机多卡与多机多卡两种类型；

   主要有两种方式实现：

１、DataParallel:   Parameter Server模式，一张卡位reducer，实现也超级简单，一行代码

　　　DataParallel是基于Parameter server的算法，负载不均衡的问题比较严重，有时在模型较大的时候（比如bert-large），reducer的那张卡会多出3-4g的显存占用，也就是说用到DataParallel的时候gpu 0的使用内存会大大超出其他显卡的使用内存。

２、DistributedDataParallel：官方建议用新的DDP，采用all-reduce算法，本来设计主要是为了多机多卡使用，但是单机上也能用

　　为什么要分布式训练？

1. 可以用多张卡，总体跑得更快
2. 可以得到更大的 BatchSize
3. 有些分布式会取得更好的效果

分布式原理性解释：

https://www.cnblogs.com/yh-blog/p/12877922.html

https://zhuanlan.zhihu.com/p/113694038

主要分为以下几个部分：

1. 单机多卡，DataParallel（最常用，最简单）
2. 单机多卡，DistributedDataParallel（较高级）、多机多卡，DistributedDataParallel（最高级）
3. 如何启动训练
4. 模型保存与读取
5. 注意事项

一、单机多卡（DataParallel）

from torch.nn import DataParallel

device = torch.device("cuda")
＃或者device = torch.device("cuda:0" if True else "cpu")

model = MyModel()
model = model.to(device)
model = DataParallel(model)
＃或者model = nn.DataParallel(model,device_ids=[0,1，2,3])

比较简单，只需要加一行代码就行， model = DataParallel(model)

二、多机多卡、单机多卡（DistributedDataParallel）

建议先把注意事项看完在修改代码，防止出现莫名的bug，修改训练代码如下：

其中opt.local_rank要在代码前面解析这个参数，可以去后面看我写的注意事项；

    from torch.utils.data.distributed import DistributedSampler
    import torch.distributed as dist
    import torch

    # Initialize Process Group
    dist_backend = 'nccl'
    print('args.local_rank: ', opt.local_rank)
    torch.cuda.set_device(opt.local_rank)
    dist.init_process_group(backend=dist_backend)

    model = yourModel()＃自己的模型
    device = torch.device(opt.local_rank)
    model.to(device)＃经后来测试，好像注释这一条代码也可以正常训练；
    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=[opt.local_rank],
        #                                                   output_device=opt.local_rank)
        model = torch.nn.parallel.DistributedDataParallel(model.cuda(), device_ids=[opt.local_rank])

    dataset = ListDataset(train_path, augment=True, multiscale=opt.multiscale_training, img_size=opt.img_size, normalized_labels=True)#自己的读取数据的代码
    world_size = torch.cuda.device_count()
    datasampler = DistributedSampler(dataset, num_replicas=dist.get_world_size(), rank=opt.local_rank)

    dataloader = torch.utils.data.DataLoader(
        dataset,
        batch_size=opt.batch_size,
        shuffle=False,
        num_workers=opt.n_cpu,
        pin_memory=True,
        collate_fn=dataset.collate_fn,
        sampler=datasampler
    )＃在原始读取数据中加sampler参数就行


.....

训练过程中，数据转cuda
      imgs = imgs.to(device)
      targets = targets.to(device)

三、如何启动训练

　　１、DataParallel方式

正常训练即可，即

python3  train.py

       ２、DistributedDataParallel方式

          需要通过torch.distributed.launch来启动，一般是单节点，

CUDA_VISIBLE_DEVICES=0,1 python3 -m torch.distributed.launch --nproc_per_node=2 train.py

          其中CUDA_VISIBLE_DEVICES　设置用的显卡编号，--nproc_pre_node 每个节点的显卡数量，一般有几个显卡就用几个显卡

当然还可以多节点训练，这个没了解清楚，想了解的可以戳这个

https://zhuanlan.zhihu.com/p/113694038

多节点

python３ -m torch.distributed.launch --nproc_per_node=NUM_GPUS_YOU_HAVE --nnodes=2 --node_rank=0
＃两个节点，在０号节点

要是训练成功，就会打印出几个信息，有几个卡就打印几个信息，如下图所示:

四、模型保存与读取

以下a、b是对应的，用a保存，就用a方法加载

　　１、保存

　　　　a、只保存参数

torch.save(model.module.state_dict(), path)

　　　　b、保存参数与网络

torch.save(model.module,path)

　　２、加载

          a、多卡加载模型预训练；

model = Yourmodel()
if opt.pretrained_weights:
        if opt.pretrained_weights.endswith(".pth"):
            model.load_state_dict(torch.load(opt.pretrained_weights))
        else:
            model.load_darknet_weights(opt.pretrained_weights)

       　　单卡加载模型，需要加载模型时指定主卡读模型，而且这个'cuda:0',是看你训练的模型是０还是１（否则就会出错RuntimeError: Attempting to deserialize object on CUDA device 1 but torch.cuda.device_count() is 1. Please use torch.load with map_location to map your storages to an existing device），可以根据自己的更改：

model = Yourmodel()
if opt.pretrained_weights:
        if opt.pretrained_weights.endswith(".pth"):
            model.load_state_dict(torch.load(opt.pretrained_weights，map_location="cuda:0"))
        else:
            model.load_darknet_weights(opt.pretrained_weights)

b、单卡加载模型；

　　同样也要指定读取模型的卡。　　

model = torch.load(opt.weights_path, map_location="cuda:0")

多卡加载预训练模型，以b这种方式还没跑通。 

模型加载其他参考：https://www.zhihu.com/question/67726969

五、注意事项

　　　１、model后面添加module

　　　　获取到网络模型后，使用并行方法，并将网络模型和参数移到GPU上。注意，若需要修改网络模块或者获得模型的某个参数，一定要在model后面加上.module，否则会报错，比如：

　　　model.img_size　　要改成　　model.module.img_size

　　　２、.cuda或者.to(device)等问题

              device是自己设置，如果.cuda出错，就要化成相应的device

　　　　model（如：model.to(device)）
　　　　input（通常需要使用Variable包装，如：input = Variable(input).to(device)）
　　　　target（通常需要使用Variable包装
　　　　nn.CrossEntropyLoss()（如：criterion = nn.CrossEntropyLoss().to(device)）
　　　３、args.local_rank的参数

　　　　通过torch.distributed.launch来启动训练，torch.distributed.launch 会给模型分配一个args.local_rank的参数，所以在训练代码中要解析这个参数，也可以通过torch.distributed.get_rank()获取进程id。

；

parser.add_argument("--local_rank", type=int, default=-1, help="number of cpu threads to use during batch generation")

 　　　４、报错：RuntimeError: Attempting to deserialize object on CUDA device 2 but torch.cuda.device_count() is 1

• 原因：在使用Pytorch加载模型时报错。加载的模型是用两个GPU训练的，而加载模型的电脑只有一个GPU，所以会出错。
• 解决：model = torch.load(model_path)
  改为：model = torch.load(model_path, map_location='cuda:0')
  如果是4块到2块：就把map_location改为：map_location={'cuda:1': 'cuda:0'}