torch DDP训练-模型保存-加载问题

单GPU保存与加载：

模型保存：
####方法一
state = {'epoch': epoch,
         'model': model.state_dict(),
         'optimizer': optimizer.state_dict(),
         'scheduler': scheduler.state_dict()}
torch.save(state, 'model_path')

####方法二
torch.save(self.model.state_dict(), 'model_path')  # 当前目录

#######################################################################################


模型加载：
####方法一
self.model.load_state_dict(torch.load("model_path")['model'])

####方法二
self.model.load_state_dict(torch.load('model_path'))

DDP模式下模型保存与加载：

模型保存：
                    无module形式
####方法一
state = {'epoch': epoch,
         'model': model.state_dict(),
         'optimizer': optimizer.state_dict(),
         'scheduler': scheduler.state_dict()}
torch.save(state, 'model_path')

####方法二
torch.save(self.model.state_dict(), 'model_path')


                    module形式---建议模式
####方法一
state = {'epoch': epoch,
         'model': model.module.state_dict(),
         'optimizer': optimizer.state_dict(),
         'scheduler': scheduler.state_dict()}
torch.save(state, 'model_path')

####方法二
torch.save(self.model.module.state_dict(), 'model_path')


#######################################################################################


模型加载：  
        未用含"moduel"方式保存, 导致缺失关键“key”:Missing key(s) in state_dict
############### 方法 1: add
model = torch.nn.DataParallel(model)  # 加上module
model.load_state_dict(torch.load("model_path"))

############### 方法 2: remove
model.load_state_dict({k.replace('module.', ''): v for k, v in                 
                       torch.load("model_path").items()})

############### 方法 3: remove
from collections import OrderedDict
state_dict = torch.load("model_path")
new_state_dict = OrderedDict()   # create new OrderedDict that does not contain `module.`
for k, v in state_dict.items():
    name = k.replace('module.', '')
    new_state_dict[name] = v
model.load_state_dict(new_state_dict)

                        含"moduel"方式保存
####方法一
self.model.load_state_dict(torch.load("model_path")['model'])

####方法二
self.model.load_state_dict(torch.load('model_path))

 DDP训练流程：

• 初始化 

  #初始化使用nccl后端（这个），当然还有别的后端，可以查看官方文档，介绍的比较清晰
  torch.distributed.init_process_group(backend="nccl")

• 使用DistributedSampler

  DDP并不会自动shard数据如果自己写数据流，得根据torch.distributed.get_rank()去shard数据，获取自己应用的一份如果用Dataset API，则需要在定义Dataloader的时候用DistributedSampler 去shard：

• 分布式训练

  model=torch.nn.parallel.DistributedDataParallel(model)

• 参考文章https://zhuanlan.zhihu.com/p/95700549https://zhuanlan.zhihu.com/p/95700549

https://zhuanlan.zhihu.com/p/145427849https://zhuanlan.zhihu.com/p/145427849 

DDP训练问题：

1.自定义的模型结构，继承自nn.Module，除__init__()， forward()等重写方法外，在模型结构类内部自定义的一些函数如loss()等，在DDP训练时调用方式需注意

model = YoulModel()
model.loss()  ### 找不到属性loss

#在使用net = torch.nn.DDP(net)之后，原来的net会被封装为新的net的module属性里

model.module.loss()