PyTorch学习笔记(五) ---- 数据并行处理

转载请注明作者和出处： http://blog.youkuaiyun.com/john_bh/

1.使用说明

学习如何用 DataParallel 来使用多 GPU。 通过 PyTorch 使用多个 GPU 非常简单。你可以将模型放在一个 GPU：

device = torch.device("cuda:0")
model.to(device)

然后，复制所有的张量到 GPU：

mytensor = my_tensor.to(device)

请注意，只是调用 my_tensor.to(device) 返回一个 my_tensor 新的复制在GPU上，而不是重写 my_tensor。你需要分配给他一个新的张量并且在 GPU 上使用这个张量。

在多 GPU 中执行前馈，后馈操作是非常自然的。尽管如此，PyTorch 默认只会使用一个 GPU。通过使用 DataParallel 让模型并行运行，可以很容易的在多 GPU 上运行你的操作。

model = nn.DataParallel(model)

2.完整代码

做一个小 demo，模型只是获得一个输入，执行一个线性操作，然后给一个输出。

# -*- coding:utf-8 -*-
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
#参数
input_size = 5
output_size = 2

batch_size = 30
data_size = 100
#设备
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

#生成一个玩具数据（只需要实现 getitem）
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)

#自定义模型
class Model(nn.Module):
    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

#首先需要一个模型的实例，然后验证是否有多个 GPU。如果有多个 GPU，则可以用 nn.DataParallel 来包裹我们的模型。然后使用 model.to(device) 把模型放到多 GPU 中。
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)