多GPU并行加速-------单机多卡数据并行计算（DP)介绍

此处以pytorch官网的一个小例子来展开介绍：

单机多卡的GPU并行加速相对来说比较简单，相比普通的单机单卡训练只需要加几行代码就可以解决，下面看具体代码：

1.导入包并定义相应的网络模型超参数

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

# Parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

2.加上cuda设备有无的这句经典测试语句

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

3.定义一个数据集类（可根据自己的数据集进行调整）

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)

4.构建网络模型，此处构建的模型只是一个demo，只有一个全连接层，可根据需要调整

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

5.这是整篇教程的重点， 首先我们实例化一个模型，然后测试这台机器上有几个cuda设备，如果大于1个，打印出来数量，然后通过最后的model.to(device)语句将实例化好的模型放到各个cuda设备上。

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)

6. 查看input与output的size

for data in rand_loader:
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())

更多资源可查看：

pytorch分布式训练

pytorch官网教程