【NLP相关】PyTorch多GPU并行训练（DataParallel和DistributedDataParallel介绍、单机多卡和多机多卡案例展示）
【NLP相关】PyTorch多GPU并行训练（DataParallel和DistributedDataParallel介绍、单机多卡和多机多卡案例展示）
当下深度学习应用越来越广泛，训练规模也越来越大，需要更快速的训练速度来满足需求。而多GPU并行训练是实现训练加速的一种常见方式，本文将介绍如何使用PyTorch进行多GPU并行训练。
1. 原理
多GPU并行训练的原理就是将模型参数和数据分布到多个GPU上，同时利用多个GPU计算加速训练过程。具体实现需要考虑以下两个问题：
数据如何划分？因为模型需要处理的数据通常很大，将所有数据放入单个GPU内存中可能会导致内存不足，因此我们需要将数据划分到多个GPU上。一般有两种划分方式：
- 数据并行：将数据分割成多个小批次，每个GPU处理其中的一个小批次，然后将梯度汇总后更新模型参数。
- 模型并行：将模型分解成多个部分，每个GPU处理其中一个部分，并将处理结果传递给其他GPU以获得最终结果。
计算如何协同？因为每个GPU都需要计算模型参数的梯度并将其发送给其他GPU，因此需要使用同步机制来保证计算正确性。一般有两种同步方式：
- 数据同步：在每个GPU上计算模型参数的梯度，然后将梯度发送到其他GPU上进行汇总，最终更新模型参数。
- 模型同步：在每个GPU上计算模型参数的梯度，然后将模型参数广播到其他GPU上进行汇总，最终更新模型参数。
2. 不同方法的优劣势
目前主要有两种PyTorch的多GPU并行训练方式：nn.DataParallel和DistributedDataParallel，它们各有优劣势。
2.1 nn.DataParallel
nn.DataParallel是PyTorch提供的一种数据并行方式，适用于单机多GPU的情况，使用非常方便，只需要在模型前加上nn.DataParallel即可。nn.DataParallel的优点是使用简单、易于理解，而且能够充分利用多个GPU进行训练。但是nn.DataParallel也有缺点，主要体现在以下两个方面：
- 内存占用：nn.DataParallel会将整个模型复制到每个GPU上，因此需要占用大量的GPU内存。当模型非常大时，可能会导致内存不足。
- 数据通信：nn.DataParallel使用的是数据并行方式，需要将每个GPU上的梯度进行汇总，因此需要进行大量的数据通信，可能会导致训练速度的下降。
2.2 DistributedDataParallel
DistributedDataParallel是PyTorch提供的一种更加高级的多GPU并行训练方式，适用于多机多GPU的情况。DistributedDataParallel使用了数据并行和模型并行两种方式，通过将模型参数和梯度分布到不同的GPU上来充分利用多个GPU进行训练。DistributedDataParallel的优点是在内存占用和数据通信方面优于nn.DataParallel，能够更加高效地利用多个GPU进行训练。但是使用DistributedDataParallel需要一定的分布式编程经验，使用也相对比较复杂。
3. 代码展示
下面展示如何使用nn.DataParallel和DistributedDataParallel进行多GPU并行训练。
3.1 nn.DataParallel
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
# 定义模型
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
self.fc1 = nn.Linear(10, 5)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(5, 2)
self.softmax = nn.Softmax(dim=1)
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
x = self.softmax(x)
return x
model = MyModel()
# 定义数据和优化器
train_data = torch.randn(100, 10)
train_labels = torch.randint(0, 2, (100,))
optimizer = optim.SGD(model.parameters(), lr=0.1)
# 将模型放入DataParallel中
model = nn.DataParallel(model)
# 训练模型
for epoch in range(10):
for i, (data, labels) in enumerate(DataLoader(zip(train_data, train_labels), batch_size=10)):
optimizer.zero_grad()
outputs = model(data)
loss = nn.CrossEntropyLoss()(outputs, labels)
loss.backward()
optimizer.step()
if i % 10 == 0:
print(f"Epoch {epoch}, Iteration {i}, Loss {loss.item():.4f}")
3.2 DistributedDataParallel
import torch
import torch.nn as nn
import torch.optim as optim
import torch.distributed as dist
import torch.multiprocessing as mp
from torch.utils.data import DataLoader
# 定义模型
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
self.fc1 = nn.Linear(10, 5)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(5, 2)
self.softmax = nn.Softmax(dim=1)
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
x = self.softmax(x)
return x
def train(model, rank, world_size):
# 初始化进程组
dist.init
# 获取数据
train_data = torch.randn(100, 10)
train_labels = torch.randint(0, 2, (100,))
train_sampler = torch.utils.data.distributed.DistributedSampler(
dataset=torch.utils.data.TensorDataset(train_data, train_labels),
num_replicas=world_size,
rank=rank,
shuffle=True,
)
train_loader = torch.utils.data.DataLoader(
dataset=torch.utils.data.TensorDataset(train_data, train_labels),
batch_size=10,
sampler=train_sampler,
)
# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.1)
# 将模型放入DistributedDataParallel中
model = nn.parallel.DistributedDataParallel(model, device_ids=[rank])
# 训练模型
for epoch in range(10):
for i, (data, labels) in enumerate(train_loader):
optimizer.zero_grad()
outputs = model(data)
loss = nn.CrossEntropyLoss()(outputs, labels)
loss.backward()
optimizer.step()
if i % 10 == 0 and rank == 0:
print(f"Epoch {epoch}, Iteration {i}, Loss {loss.item():.4f}")
def main():
# 初始化多进程
mp.spawn(
train,
args=(world_size,),
nprocs=world_size,
join=True,
)
if __name__ == "__main__":
world_size = 2
mp.set_start_method("spawn")
main()
4. 案例解析
4.1 NLP领域-单机多卡
接下来我们将介绍如何使用PyTorch进行单机多卡训练。这里我们以Transformer模型为例，来说明如何进行单机多卡训练。
在单机多卡训练中，我们需要使用PyTorch的nn.DataParallel模块来实现模型的多卡并行。这个模块会自动将模型的输入数据分发到多个GPU上进行并行计算，然后将结果合并到单个GPU上进行梯度计算和参数更新。
（1）环境准备
首先，我们需要导入必要的包：
import torch
import torch.nn as nn
import torch.optim as optim
import torch.utils.data as data
from torch.utils.data import DataLoader, RandomSampler
from transformers import BertTokenizer, BertForSequenceClassification
from transformers.optimization import AdamW, get_linear_schedule_with_warmup
import os
import random
import numpy as np
这里我们使用了transformers库来加载预训练的BERT模型。
接下来，我们需要设置训练环境。这里我们假设我们有4个GPU可用，并使用nn.DataParallel模块进行多卡并行训练。我们可以通过以下代码来初始化训练环境：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
if torch.cuda.device_count() > 1:
model = nn.DataParallel(model)
model.to(device)
这里torch.device()会自动检测当前环境是否支持GPU，并返回一个GPU设备或CPU设备。如果有多个GPU可用，则使用nn.DataParallel模块将模型进行多卡并行。最后，我们将模型移动到指定的设备上。
（2）数据准备
接下来，我们需要加载数据集。这里我们使用的是IMDB电影评论分类数据集，包含50,000条电影评论，每条评论都被标记为正面或负面。我们将使用BERT模型来对这些评论进行分类。
class IMDBDataset(data.Dataset):
def __init__(self, tokenizer, data_path):
self.tokenizer = tokenizer
self.sentences = []
self.labels = []
with open(data_path, "r", encoding="utf-8") as f:
for line in f:
sentence, label = line.strip().split("\t")
self.sentences.append(sentence)
self.labels.append(int(label))
def __getitem__(self, index):
sentence = self.sentences[index]
label = self.labels[index]
inputs = self.tokenizer.encode_plus(sentence,
add_special_tokens=True,
padding="max_length",
max_length=512,
return_tensors="pt")
input_ids = inputs["input_ids"][0]
attention_mask = inputs["attention_mask"][0]
return input_ids, attention_mask, label
def __len__(self):
return len(self.labels)
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
train_dataset = IMDBDataset(tokenizer, "data/train.tsv")
train_sampler = RandomSampler(train_dataset)
train_dataloader = DataLoader(train_dataset, sampler=train_sampler, batch_size=16)
这里我们使用了transformers库提供的BertTokenizer来对文本进行编码。接下来，我们将训练数据集封装为一个IMDBDataset类，其中__getitem__方法会返回每个样本的输入ID、注意力掩码和标签。然后，我们使用DataLoader将数据集分成多个小批量进行训练。
（3）模型训练
现在我们可以开始训练我们的模型了。这里我们使用了BERT的预训练模型BertForSequenceClassification，它已经包含了一个全连接层用于分类任务。我们只需要在顶部添加一个全连接层来进行微调。
model = BertForSequenceClassification.from_pretrained("bert-base-uncased", num_labels=2)
optimizer = AdamW(model.parameters(), lr=2e-5, eps=1e-8)
scheduler = get_linear_schedule_with_warmup(optimizer, num_warmup_steps=100, num_training_steps=1000)
criterion = nn.CrossEntropyLoss()
接下来，我们可以开始训练模型了。这里我们使用了nn.DataParallel模块将模型并行化，同时使用了学习率调度器来动态调整学习率。
for epoch in range(10):
model.train()
for step, batch in enumerate(train_dataloader):
input_ids, attention_mask, labels = batch
input_ids = input_ids.to(device)
attention_mask = attention_mask.to(device)
labels = labels.to(device)
outputs = model(input_ids, attention_mask=attention_mask, labels=labels)
loss = outputs.loss
loss.backward()
optimizer.step()
scheduler.step()
optimizer.zero_grad()
if step % 100 == 0:
print("Epoch: {}, Step: {}, Loss: {}".format(epoch, step, loss.item()))
这里我们迭代了10个epoch，在每个epoch中，我们将训练数据集分成多个小批量，然后将每个小批量放到多个GPU上进行并行计算。在每个小批量计算完成后，我们将梯度合并到单个GPU上进行梯度更新。
4.2 NLP领域-多机多卡
下面给出一个NLP领域的多机多卡训练的例子，以BERT为例，使用PyTorch和Horovod库实现多机多卡训练。
Horovod是一个开源的分布式训练框架，可以实现多机多卡训练。它支持TensorFlow、PyTorch、MXNet等多个框架。在本例中，我们使用Horovod和PyTorch实现多机多卡训练。
import torch
import torch.nn as nn
from transformers import BertModel
from torch.utils.data import DataLoader, RandomSampler
from transformers import BertTokenizer
import horovod.torch as hvd
# 初始化Horovod
hvd.init()
# 获取本机的GPU数量和rank
local_rank = hvd.local_rank()
local_size = hvd.local_size()
# 设定GPU
torch.cuda.set_device(local_rank)
# 加载BERT模型
model = BertModel.from_pretrained('bert-base-uncased')
# 数据预处理
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")
inputs = inputs.to(local_rank)
labels = torch.tensor([1]).unsqueeze(0)
labels = labels.to(local_rank)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.AdamW(model.parameters(), lr=5e-5)
# Horovod准备
optimizer = hvd.DistributedOptimizer(optimizer, named_parameters=model.named_parameters())
hvd.broadcast_parameters(model.state_dict(), root_rank=0)
hvd.broadcast_optimizer_state(optimizer, root_rank=0)
# 加载数据
dataset = []
for i in range(100):
dataset.append((inputs, labels))
sampler = RandomSampler(dataset)
batch_size = 4
dataloader = DataLoader(dataset, sampler=sampler, batch_size=batch_size // local_size)
# 训练模型
model.train()
for epoch in range(2):
running_loss = 0.0
for i, data in enumerate(dataloader, 0):
inputs, labels = data
inputs, labels = inputs.to(local_rank), labels.to(local_rank)
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs[0], labels.squeeze())
loss.backward()
optimizer.step()
running_loss += loss.item()
if i % 10 == 9:
avg_loss = running_loss / 10
print(f"Rank {hvd.rank()} Epoch {epoch + 1} Step {i + 1} loss: {avg_loss:.4f}")
running_loss = 0.0
在代码中，我们首先使用hvd.init()初始化Horovod。然后使用hvd.local_rank()获取本机的GPU数量和rank，并使用torch.cuda.set_device(local_rank)指定当前进程使用的GPU。
接着加载BERT模型，并使用`BertTokenizer类对输入进行数据预处理。然后定义损失函数和优化器。
在Horovod的准备阶段，我们使用hvd.DistributedOptimizer()对优化器进行包装，以支持多机多卡训练。同时，我们使用hvd.broadcast_parameters()和hvd.broadcast_optimizer_state()将模型和优化器的状态广播给所有进程。
在加载数据时，我们使用RandomSampler和DataLoader对数据进行采样和分批。注意，我们将batch_size除以local_size，以确保每个进程处理的样本数量相同。
最后，在训练循环中，我们使用model.train()将模型设置为训练模式，并使用enumerate()遍历数据集。在每个循环中，我们将数据移到当前GPU上，并对模型进行前向传播、计算损失、反向传播和优化。注意，我们使用hvd.rank()打印每个进程的训练进度。
4.3 CV领域-单机多卡
下面我们来介绍一下CV领域的单机多卡训练的例子。
（1）数据准备
我们将使用CIFAR-10数据集来训练我们的模型。首先，我们需要使用torchvision库中的transforms模块来对图像进行预处理。
transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4),
transforms.RandomHorizontalFlip(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.4914, 0.4822, 0.4465],
std=[0.2023, 0.1994, 0.2010])
])
train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True,
download=True, transform=transform_train)
train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=128,
sampler=train_sampler,
num_workers=4, pin_memory=True)
这里我们定义了一个名为transform_train的预处理函数，它将图像随机裁剪为32x32大小，随机水平翻转，转换为张量，然后进行归一化处理。然后，我们使用torchvision中的CIFAR10类来加载训练数据集，并使用torch.utils.data.distributed.DistributedSampler来对数据集进行分布式采样。最后，我们使用torch.utils.data.DataLoader将数据集分成多个小批量进行训练。
（2）模型训练
我们将使用ResNet-18模型来训练我们的模型。首先，我们需要定义模型、优化器和学习率调度器。
model = models.resnet18(num_classes=10)
model.cuda()
model = nn.parallel.DataParallel(model)
criterion = nn.CrossEntropyLoss().cuda()
optimizer = optim.SGD(model.parameters(), lr=0.1, momentum=0.9, weight_decay=5e-4)
scheduler = optim.lr_scheduler.MultiStepLR(optimizer, milestones=[150, 250], gamma=0.1)
这里我们使用了nn.parallel.DataParallel模块将模型并行化，并将模型移动到GPU上进行训练。我们使用交叉熵损失作为损失函数，随机梯度下降（SGD）作为优化器，并使用多步调度器来动态调整学习率。为了使模型更加稳定，我们还可以添加数据增强、批标准化等技术。这里我们使用torchvision中的transforms模块来添加数据增强和归一化操作，使用nn.BatchNorm2d模块来添加批标准化。
接下来，我们可以开始训练我们的模型了。
for epoch in range(350):
train_sampler.set_epoch(epoch)
train_loss = 0.0
correct = 0.0
total = 0.0
model.train()
for i, (inputs, targets) in enumerate(train_loader):
inputs, targets = inputs.cuda(), targets.cuda()
optimizer.zero_grad()
outputs = model(inputs)
loss = criterion(outputs, targets)
loss.backward()
optimizer.step()
train_loss += loss.item()
_, predicted = outputs.max(1)
total += targets.size(0)
correct += predicted.eq(targets).sum().item()
train_acc = 100.0 * correct / total
train_loss = train_loss / len(train_loader)
if epoch % 10 == 0:
print("Epoch [{}/{}], Loss: {:.4f}, Train Acc: {:.2f}%".format(epoch+1, 350, train_loss, train_acc))
scheduler.step()
在训练过程中，我们使用DataParallel将模型在多个GPU上进行并行化，使得训练速度得到大幅提升。同时，我们使用DistributedSampler对数据集进行分布式采样，保证了多GPU之间的训练数据是不重复且均衡的。除此之外，我们还使用了多步调度器动态调整学习率，帮助模型更好地收敛。
4.4 CV领域-多机多卡
下面以训练图像分类模型为例，演示如何使用DistributedDataParallel进行多机多GPU并行训练。
import torch
import torch.nn as nn
import torch.optim as optim
import torch.distributed as dist
import torch.multiprocessing as mp
import torchvision
import torchvision.transforms as transforms
# 定义模型
class MyModel(nn.Module):
def __init__(self):
super(MyModel, self).__init__()
self.conv1 = nn.Conv2d(3, 6, 5)
self.pool = nn.MaxPool2d(2, 2)
self.conv2 = nn.Conv2d(6, 16, 5)
self.fc1 = nn.Linear(16 * 5 * 5, 120)
self.fc2 = nn.Linear(120, 84)
self.fc3 = nn.Linear(84, 10)
def forward(self, x):
x = self.pool(torch.relu(self.conv1(x)))
x = self.pool(torch.relu(self.conv2(x)))
x = x.view(-1, 16 * 5 * 5)
x = torch.relu(self.fc1(x))
x = torch.relu(self.fc2(x))
x = self.fc3(x)
return x
def train(model, rank, world_size):
# 初始化进程组
dist.init_process_group(
backend="nccl",
init_method="tcp://localhost:12345",
world_size=world_size,
rank=rank,
)
# 加载数据
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
trainset = torchvision.datasets.CIFAR10(root="./data", train=True, download=True, transform=transform)
# 使用分布式sampler
train_sampler = torch.utils.data.distributed.DistributedSampler(trainset, num_replicas=world_size, rank=rank)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=False, num_workers=2, sampler=train_sampler)
# 定义优化器和损失函数
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9)
# 训练模型
for epoch in range(2):
train_sampler.set_epoch(epoch)
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
# 获取数据
inputs, labels = data
inputs, labels = inputs.to(rank), labels.to(rank)
# 梯度清零
optimizer.zero_grad()
# 正向传播和反向传播
outputs = model(inputs)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 统计损失
running_loss += loss.item()
if i % 2000 == 1999:
print(f"[{rank}, {epoch + 1}, {i + 1}] loss: {running_loss / 2000:.3f}")
running_loss = 0.0
# 释放进程组
dist.destroy_process_group()
def main():
# 初始化多进程
world_size = 2
mp.spawn(train, args=(world_size,), nprocs=world_size, join=True)
if __name__ == "__main__":
main()
这里使用了torchvision.datasets.CIFAR10数据集，加载数据时使用DistributedSampler进行分布式采样。模型训练时每个进程都需要独立的模型和优化器，并且需要将数据放入对应的GPU上。在训练过程中，使用dist.reduce()函数对所有进程的损失进行求和，然后再除以进程数，得到平均损失，最后输出平均损失即可。
这个例子中，我们使用了两台机器，每台机器上有一个GPU。在每台机器上运行一个进程，共运行两个进程。如果需要使用更多的机器和GPU，只需要将world_size设置为对应的值即可。