Pytorch分布式训练
优质资源分享
| 学习路线指引（点击解锁） | 知识定位 | 人群定位 |
|---|---|---|
| Python实战微信订餐小程序 | 进阶级 | 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 |
| Python量化交易实战 | 入门级 | 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 |
用单机单卡训练模型的时代已经过去，单机多卡已经成为主流配置。如何最大化发挥多卡的作用呢？本文介绍Pytorch中的DistributedDataParallel方法。
1. DataParallel
其实Pytorch早就有数据并行的工具DataParallel，它是通过单进程多线程的方式实现数据并行的。
简单来说，DataParallel有一个参数服务器的概念，参数服务器所在线程会接受其他线程传回来的梯度与参数，整合后进行参数更新，再将更新后的参数发回给其他线程，这里有一个单对多的双向传输。因为Python语言有GIL限制，所以这种方式并不高效，比方说实际上4卡可能只有2～3倍的提速。
2. DistributedDataParallel
Pytorch目前提供了更加高效的实现，也就是DistributedDataParallel。从命名上比DataParallel多了一个分布式的概念。首先 DistributedDataParallel是能够实现多机多卡训练的，但考虑到大部分的用户并没有多机多卡的环境，本篇博文主要介绍单机多卡的用法。
从原理上来说，DistributedDataParallel采用了多进程，避免了python多线程的效率低问题。一般来说，每个GPU都运行在一个单独的进程内，每个进程会独立计算梯度。
同时DistributedDataParallel抛弃了参数服务器中一对多的传输与同步问题，而是采用了环形的梯度传递，这里引用知乎上的图例。这种环形同步使得每个GPU只需要和自己上下游的GPU进行进程间的梯度传递，避免了参数服务器一对多时可能出现的信息阻塞。
3. DistributedDataParallel示例
下面给出一个非常精简的单机多卡示例，分为六步实现单机多卡训练。
第一步，首先导入相关的包。
| | import argparse |
| | import torch.distributed as dist |
| | from torch.nn.parallel import DistributedDataParallel as DDP |
第二步，加一个参数，local_rank。这比较好理解，相当于就是告知当前的程序跑在那一块GPU上，也就是下面的第三行代码。local_rank是通过pytorch的一个启动脚本传过来的,后面将说明这个脚本是啥。最后一句是指定通信方式，这个选nccl就行。
| | parser = argparse.ArgumentParser() |
| | parser.add\_argument("--local\_rank", default=-1, type=int) |
| | args = parser.parse\_args() |
| | |
| | torch.cuda.set\_device(args.local\_rank) |
| | |
| | dist.init\_process\_group(backend='nccl') |
第三步，包装Dataloader。这里需要的是将sampler改为DistributedSampler，然后赋给DataLoader里面的sampler。
为什么需要这样做呢？因为每个GPU，或者说每个进程都会从DataLoader里面取数据，指定DistributedSampler能够让每个GPU取到不重叠的数据。
读者可能会比较好奇，在下面指定了batch_size为24，这是说每个GPU都会被分到24个数据，还是所有GPU平分这24条数据呢？答案是，每个GPU在每个iter时都会得到24条数据，如果你是4卡，一个iter中总共会处理24*4=96条数据。
| | train\_sampler = torch.utils.data.distributed.DistributedSampler(my\_trainset) |
| | |
| | trainloader = torch.utils.data.DataLoader(my\_trainset,batch\_size=24，num\_workers=4,sampler=train\_sampler) |
第四步，使用DDP包装模型。device_id仍然是args.local_rank。
| | model = DDP(model, device\_ids=[args.local\_rank]) |
第五步，将输入数据放到指定GPU。后面的前后向传播和以前相同。
| | for imgs,labels in trainloader: |
| | |
| | imgs=imgs.to(args.local\_rank) |
| | labels=labels.to(args.local\_rank) |
| | |
| | optimizer.zero\_grad() |
| | output=net(imgs) |
| | loss\_data=loss(output,labels) |
| | loss\_data.backward() |
| | optimizer.step() |
第六步，启动训练。torch.distributed.launch就是启动脚本，nproc_per_node是GPU数。
| | python -m torch.distributed.launch --nproc\_per\_node 2 main.py |
通过以上六步，我们就让模型跑在了单机多卡上。是不是也没有那么麻烦，但确实要比DataParallel复杂一些，考虑到加速效果，不妨试一试。
4. DistributedDataParallel注意点
DistributedDataParallel是多进程方式执行的，那么有些操作就需要小心了。如果你在代码中写了一行print,并使用4卡训练，那么你将会在控制台看到四行print。我们只希望看到一行，那该怎么做呢？
像下面一样加一个判断即可，这里的get_rank()得到的是进程的标识，所以输出操作只会在进程0中执行。
| | if dist.get\_rank() == 0: |
| | print("hah") |
你会经常需要dist.get_rank()的。因为有很多操作都只需要在一个进程里执行，比如保存模型，如果不加以上判断，四个进程都会写模型，可能出现写入错误；另外load预训练模型权重时，也应该加入判断，只load一次；还有像输出loss等一些场景。
【参考】https://zhuanlan.zhihu.com/p/178402798