PyTorch使用多GPU并行训练及其原理和注意事项

1. 常见的多GPU使用方法

在这里插入图片描述

模型并行（model parallel） -> 大型网络（对速度没有提升）当模型需要的显卡很大，一张GPU的显存放不下时，使用这种方式就可以训练一个大型的网络
数据并行（data parallel）-> 加速训练速度可以将整个模型放到一张GPU时，我们可以将每一个模型放到每一个GPU上，让它们同时进行训练（正向传播+反向传播）

2. 训练速度与GPU数量之间的关系

性能实测：数据来源霹雳巴拉WZ

PyTorch 1.7
CUDA：10.1
Model：ResNet-34
Dataset：flower_photos（非常小的一个数据集）
BatchSize：16
Optimizer：SGD
GPU：Tesla V100（上一代卡皇）

在这里插入图片描述

从上图我们可以看到，训练速度和GPU数量并不是简单的倍乘关系。随着GPU数量的增加，提速效果越来越差，这时因为不同GPU之间需要进行通信，会有性能的损耗。

3. 重点

数据集如何在不同设备间分配
误差梯度如何在不同设备之间通信
Batch Normalization如何在不同设备之间同步

3.1 数据集分配

3.2 误差通信

在使用多GPU训练时，每张GPU在进行完一个step后会产生梯度，我们需要将所有GPU的梯度求平均（并不是每张GPU各自学各自的，那样就没有意义了），这样才能将每张GPU的训练结果结合在一起。

3.3 BN同步

在这里插入图片描述

假设BS=2，feature1和feature2是网络中的某一层经过卷积操作后得到特征图，因为BS=2，所以有两个feature。在正向传播过程中，BN会求特征矩阵每一个channel的均值和方差，再对每个通道上的数据进行“减均值除标准差”的操作，这样就得到经过BN的特征图了。

在这里插入图片描述

当我们使用多GPU训练时，每个GPU都会计算各自的均值和方差。这里我们同样假设每个GPU上数据的BS=2，那么每个BN层求的均值

     μ
    
    
     i
    
   
  
  
   \mu_i
  
 
μi和方差

 
  
   
    
     σ
    
    
     i
    
    
     2
    
   
  
  
   \sigma^2_i
  
 
σi2都是针对两个特征图而言的。

之前我们说过，BS越大，BN求的均值和方差越接近全体样本，准确率越高。

所以如果我们使用多GPU训练，我们就应该考虑“我们是不是应该去求每一个BN层在所有设备上的均值和方差”。这样我们所求得的均值和方差是更加有意义的。

如果我们不考虑多GPU之间BN的参数关系，那么我们所求得的BN层的均值和方差都是针对输入的两个样本（BS=2）求解的。

如果我们考虑到另外的设备呢？

GPU1的BN层得到两个特征图1和2，GPU2的BN层得到两个特征图3和4。如果我们求的BN参数是特征图12+34，那么我们的BN就变相等于在BS=4的情况下求得的均值和方差。这样对我们最终训练的结果是有一定帮助的。

霹雳巴拉WZ说，如果不使用同步的BN（即普通的
nn.BatchNorm
），那么得到的结果和使用单GPU的结果基本上是一致的。
当然，使用不同BN的多GPU也对模型的训练速度有很大的帮助
如果使用了同步的BN后，最终结果一般会有将近一个点的提升
所有同步的BN确实的有一定的作用

如果你的GPU显存很大，本来在一张GPU上就可以很大的BS，那么使用同步的BN也不会有很大的作用。

同步BN主要用在：网络比较大，一张GPU它的BS不能设置很大的情况下，同步的BN对准确率的帮助比较大。

注意：使用了具有同步BN的方法，多GPU的并行速度会下降。可能会降低30%的速度。

想要更快的速度 -> 不使用同步的BN
更高的精度 -> 使用同步的BN

4. PyTorch实现多卡并行计算的方式

分为两种：

DataParallel PyTorch官方很久之前给出的一种方案
DistributedDataParallel 更新一代的多卡训练方法

DDP不仅仅局限于单机多卡的情况，还适用于多级多卡的场景。

PyTorch关于DP的文档
[PyTorch关于DDP的文档](DistributedDataParallel — PyTorch 1.11.0 documentation)

在这里插入图片描述

DP是一个单进程、多线程并且仅仅只能工作在单一的设备中（单节点，不适用于多机的情况）
DDP是一个多进程的，可以工作在单机或者多机的场景中
DP通常要慢于DDP（即便在单一的设备上）

这里所说的单机和多机并不是单GPU和多GPU，而是单个服务器和多个服务器的意思

DP和DDP都可以用在单机的情况下，单DDP可以用在多机的情况下，而且即便在单机下（一台机器有多个GPU），DDP的速度也要比DP的速度快。

[PyTorch关于单机多卡和多级多卡的训练教程](PyTorch Distributed Overview — PyTorch Tutorials 1.11.0+cu102 documentation)

5. PyTorch中使用多GPU训练的常用启动方式

torch.distributed.launch：代码量少，启动速度快python -m torch.distributed.launch# -m: run library module as a script# --help: 可以通过`torch.distributed.launch --help`这样真的方式去查看使用方法> 在PyTorch官方实现的Faster R-CNN源码中，多GPU训练就是使用> > distributed.launch> > 进行启动的，因此后面将的主要基于> > distributed.launch> > 来启动
torch.multiprocessing：代码量更多，但拥有更好的控制和灵活性

注意事项：

在使用torch.distributed.launch的方法进行训练。一旦训练开始后，手动强制终止训练程序(ctrl + c)，会有小概率出现进程没有杀掉的情况。此时程序还会占用GPU的显存以及资源。所以需要我们将这些进程kill -9掉

5.1 单机单卡的训练脚本

5.1.1 main

"""
    单机单卡的训练脚本 —— 训练ResNet34/101
"""import os
import math
import argparse

import torch
import torch.optim as optim
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
import torch.optim.lr_scheduler as lr_scheduler

from model import resnet34, resnet101
from my_dataset import MyDataSet
from utils import read_split_data
from multi_train_utils.train_eval_utils import train_one_epoch, evaluate

defmain(args):# 检查机器的配置（是否有GPU，没有GPU则为CPU）
    device = torch.device(args.device if torch.cuda.is_available()else"cpu")print(args)# 打印传入的参数print('Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/')
    tb_writer = SummaryWriter()# 创建Tensorborad对象if os.path.exists("./weights")isFalse:# 检查保存权值文件的文件夹是否存在，不存在则创建该文件夹
        os.makedirs("./weights")

    train_info, val_info, num_classes = read_split_data(args.data_path)
    train_images_path, train_images_label = train_info
    val_images_path, val_images_label = val_info

    # check num_classesassert args.num_classes == num_classes,"dataset num_classes: {}, input {}".format(args.num_classes,
                                                                                       num_classes)

    data_transform ={"train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),"val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])}# 实例化训练数据集
    train_data_set = MyDataSet(images_path=train_images_path,
                               images_class=train_images_label,
                               transform=data_transform["train"])# 实例化验证数据集
    val_data_set = MyDataSet(images_path=val_images_path,
                             images_class=val_images_label,
                             transform=data_transform["val"])

    batch_size = args.batch_size
    
    # 根据BS的数量和训练设备CPU核心数来定义num_worker的大小
    nw =min([os.cpu_count(), batch_size if batch_size >1else0,8])# number of workersprint('Using {} dataloader workers every process'.format(nw))# 读取训练数据
    train_loader = torch.utils.data.DataLoader(train_data_set,
                                               batch_size=batch_size,
                                               shuffle=True,
                                               pin_memory=True,
                                               num_workers=nw,
                                               collate_fn=train_data_set.collate_fn)# 读取验证数据
    val_loader = torch.utils.data.DataLoader(val_data_set,
                                             batch_size=batch_size,
                                             shuffle=False,
                                             pin_memory=True,
                                             num_workers=nw,
                                             collate_fn=val_data_set.collate_fn)# 定义模型对象并添加到所属设备中
    model = resnet34(num_classes=args.num_classes).to(device)# 如果存在预训练权重则载入if args.weights !="":if os.path.exists(args.weights):# 先使用torch.load加载指定文件中的权重
            weights_dict = torch.load(args.weights, map_location=device)# 只加载key和value元素相等的键值对
            load_weights_dict ={k: v for k, v in weights_dict.items()if model.state_dict()[k].numel()== v.numel()}# 1. 模型加载字典（不严格加载）；2. 打印print(model.load_state_dict(load_weights_dict, strict=False))else:raise FileNotFoundError("not found weights file: {}".format(args.weights))# 是否冻结权重if args.freeze_layers:for name, para in model.named_parameters():# name: 层的名字; para: 对应的参数# 除最后的全连接层外，其他权重全部冻结if"fc"notin name:# 除了fc层外，所有层的参数都没有梯度（不进行反向传播，即不进行参数更新）
                para.requires_grad_(False)# 将带有梯度的参数传入pg这个list中
    pg =[p for p in model.parameters()if p.requires_grad]# 定义参数优化器，第一个参数即为需要更新的参数，也就是上一行pg列表中的结果
    optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)# 定义学习率变化函数，参考：Scheduler https://arxiv.org/pdf/1812.01187.pdf -> 其实就是一个余弦函数[0, pi]
    lf =lambda x:((1+ math.cos(x * math.pi / args.epochs))/2)*(1- args.lrf)+ args.lrf  # cosine# scheduler即为调整学习率变化的对象，将优化器和学习率变化曲线传给它就可以实现学习率的规律性变化
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)# 开始迭代训练for epoch inrange(args.epochs):# train"""
            可以看到，这里的train阶段只是返回平均loss，没有预测概率
        """
        mean_loss = train_one_epoch(model=model,
                                    optimizer=optimizer,
                                    data_loader=train_loader,
                                    device=device,
                                    epoch=epoch)# epoch进行了一个，学习率变化器需要更新一下（使得optimizer中的学习率进行变化）
        scheduler.step()# validate
        sum_num = evaluate(model=model,
                           data_loader=val_loader,
                           device=device)
        acc = sum_num /len(val_data_set)# top-1准确率 = 预测正确数 / 验证样本数# 打印该epoch下的准确率print("[epoch {}] accuracy: {}".format(epoch,round(acc,3)))# 将train和validation得到的数据添加到tensorboard中# optimizer.param_groups[0]["lr"]即为对应epoch的学习率
        tags =["loss","accuracy","learning_rate"]
        tb_writer.add_scalar(tags[0], mean_loss, epoch)
        tb_writer.add_scalar(tags[1], acc, epoch)
        tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)# 保存对应epoch的模型（这里没有选择最佳模型，可以通过acc达到只保留准确率高的权值文件）
        torch.save(model.state_dict(),"./weights/model-{}.pth".format(epoch))if __name__ =='__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--num_classes',type=int, default=5)
    parser.add_argument('--epochs',type=int, default=30)
    parser.add_argument('--batch-size',type=int, default=16)
    parser.add_argument('--lr',type=float, default=0.001)# lrf为倍率因子，即学习率最终降低到初始学习率lr的多少倍。# 最终学习率为lr * lrf
    parser.add_argument('--lrf',type=float, default=0.1)# 数据集所在根目录# http://download.tensorflow.org/example_images/flower_photos.tgz
    parser.add_argument('--data-path',type=str,
                        default="/home/w180662/my_project/my_github/data_set/flower_data/flower_photos")# resnet34 官方权重下载地址# https://download.pytorch.org/models/resnet34-333f7ec4.pth
    parser.add_argument('--weights',type=str, default='resNet34.pth',help='initial weights path')# 为""表示不使用预训练模型
    parser.add_argument('--freeze-layers',type=bool, default=False)
    parser.add_argument('--device', default='cuda',help='device id (i.e. 0 or 0,1 or cpu)')

    opt = parser.parse_args()

    main(opt)

5.1.2 train_eval_utils

import sys

from tqdm import tqdm
import torch

from multi_train_utils.distributed_utils import reduce_value, is_main_process

deftrain_one_epoch(model, optimizer, data_loader, device, epoch):
    model.train()# 声明模型的状态
    loss_function = torch.nn.CrossEntropyLoss()# 定义损失函数
    mean_loss = torch.zeros(1).to(device)# 生成shape为[1, ]的全零矩阵，并添加到对应的设备中 -> 用于存储后续计算得到mean_loss# 清空优化器中的梯度残留
    optimizer.zero_grad()# 在进程0中打印训练进度if is_main_process():# 判断是否为主进程# 使用tqdm库包装一下data_loader这个变量，一会儿在遍历data_loader时就会打印一个进度条
        data_loader = tqdm(data_loader,file=sys.stdout)# 迭代data_loader，获取step和对应的数据"""
        在data_loader中就定义了BS的大小, 所以这里step就是$step = 所有图片的数量 / BS$
        step即为BS的数量, 每走过一次step即为处理了BS张图片
        
        第1个step对应第1个bs
        第2个step对应第2个bs
        第3个step对应第3个bs
        ...
    """for step, data inenumerate(data_loader):
        images, labels = data  # data包含两部分数据：1. 预处理后的图片；2. 对应的真实标签# 通过正向传播获取图片的预测结果
        pred = model(images.to(device))# 根据预测结果与真实标签计算loss
        loss = loss_function(pred, labels.to(device))# 对loss进行反向传播
        loss.backward()# 对loss进行求平均处理"""
            reduce_value:
                def reduce_value(value, average=True):
                    world_size = get_world_size()
                    if world_size < 2:  # 单GPU的情况
                        return value  # 原值返回

                    with torch.no_grad():
                        dist.all_reduce(value)
                        if average:
                            value /= world_size  # 需要除以GPU数量后再返回

                        return value
        """
        loss = reduce_value(loss, average=True)# 对历史损失求平均
        mean_loss =(mean_loss * step + loss.detach())/(step +1)# update mean losses# 在进程0中打印平均lossif is_main_process():# 判断是否为主进程
            data_loader.desc ="[epoch {}] mean loss {}".format(epoch,round(mean_loss.item(),3))# 判断loss是否为有限数据（不能是infty）ifnot torch.isfinite(loss):print('WARNING: non-finite loss, ending training ', loss)
            sys.exit(1)# 如果loss为无穷，则退出训练

        optimizer.step()# 参数优化器进行参数更新
        optimizer.zero_grad()# 参数优化器更新完参数后，需要将梯度清空# 等待所有进程计算完毕if device != torch.device("cpu"):
        torch.cuda.synchronize(device)# 等待CUDA设备上所有流中的所有内核完成。# 返回计算求得的平均lossreturn mean_loss.item()"""
    这里使用了@torch.no_grad()这个装饰器对该方法进行修改，也可以使用 with torch.no_grad: 这个上下文管理器
"""@torch.no_grad()defevaluate(model, data_loader, device):
    model.eval()# 声明模型状态 -> 1. 关闭BN; 2. Dropout# 用于存储预测正确的样本个数
    sum_num = torch.zeros(1).to(device)# 在进程0中打印验证进度if is_main_process():
        data_loader = tqdm(data_loader,file=sys.stdout)# 在主进程中包装dataloaderfor step, data inenumerate(data_loader):
        images, labels = data
        pred = model(images.to(device))# 获取预测概率
        pred = torch.max(pred, dim=1)[1]# 获取预测概率最的max"""
        torch.eq(tensor, tensor/value)
        对两个张量Tensor进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False。
        """
        sum_num += torch.eq(pred, labels.to(device)).sum()# 计算所有预测正确的数量# 等待所有进程计算完毕if device != torch.device("cpu"):
        torch.cuda.synchronize(device)

    sum_num = reduce_value(sum_num, average=False)# 统计所有预测正确的数量return sum_num.item()

5.2 分布式训练

5.2.1 main

from cgi import test
import os
import math
import tempfile
import argparse

import torch
import torch.optim as optim
import torch.optim.lr_scheduler as lr_scheduler
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

from model import resnet34
from my_dataset import MyDataSet
from utils import read_split_data, plot_data_loader_image
from multi_train_utils.distributed_utils import init_distributed_mode, dist, cleanup
from multi_train_utils.train_eval_utils import train_one_epoch, evaluate

defmain(args):if torch.cuda.is_available()isFalse:# 没有GPU设备会直接报错raise EnvironmentError("not find GPU device for training.")# 初始化各进程环境 -> args容器中多了几个参数：1. args.rank; 2. args.world_size; 3. args.gpu
    init_distributed_mode(args=args)# 将args中新增的DDP参数赋值到全局变量中
    rank = args.rank
    device = torch.device(args.device)
    batch_size = args.batch_size
    weights_path = args.weights
    """
        当我们在使用多GPU并行训练时，梯度一般是将多块GPU的梯度求平均。
            在原本的单卡上，我们的每学习一个step，梯度前进1m（这里是为了方便理解），如果学习两部，则梯度前进2m
            假设我们的GPU数量为2。那么我们看起来是学习了一步，但因为有2块GPU，所以是两块一起运算，那么就是一次性
            算了两个step，但更新时我们对梯度进行了平均，所以这2个step的值只更新了依次，意味着梯度只前进了1m
            学习率变相地降低了，所以我们需要扩大学习率
    """
    args.lr *= args.world_size  # 学习率要根据并行GPU的数量进行倍增 -> 这里是简单粗暴的增大学习率"""
        使用DDP时，一般的写入操作、打印操作都是放在第一个进程（主进程）中操作的（没有必要在每一个进程中执行相同的操作）
    """if rank ==0:# 在第一个进程中打印信息，并实例化tensorboard（只在第一个进程中打印参数）print(args)print('Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/')
        tb_writer = SummaryWriter()if os.path.exists("./weights")isFalse:
            os.makedirs("./weights")

    train_info, val_info, num_classes = read_split_data(args.data_path)
    train_images_path, train_images_label = train_info
    val_images_path, val_images_label = val_info

    # check num_classesassert args.num_classes == num_classes,"dataset num_classes: {}, input {}".format(args.num_classes,
                                                                                       num_classes)

    data_transform ={"train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),"val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])])}# 实例化训练数据集
    train_data_set = MyDataSet(images_path=train_images_path,
                               images_class=train_images_label,
                               transform=data_transform["train"])# 实例化验证数据集
    val_data_set = MyDataSet(images_path=val_images_path,
                             images_class=val_images_label,
                             transform=data_transform["val"])# 给每个rank对应的进程分配训练的样本索引
    train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
    val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)# 将样本索引每batch_size个元素组成一个list# BatchSampler是对train_sampler做进一步的处理
    train_batch_sampler = torch.utils.data.BatchSampler(train_sampler, 
                                                        batch_size, 
                                                        drop_last=True)

    nw =min([os.cpu_count(), batch_size if batch_size >1else0,8])# number of workersif rank ==0:# 打印也是在第一个进程中print('Using {} dataloader workers every process'.format(nw))

    train_loader = torch.utils.data.DataLoader(train_data_set,# 传入的仍然是实例化的训练集（不是DistributedSampler）
                                               batch_sampler=train_batch_sampler,# 这里传入的是BatchSampler，而不是简单的batch_size
                                               pin_memory=True,# 直接将数据加载到GPU中，从而达到加速的效果
                                               num_workers=nw,# num workers
                                               collate_fn=train_data_set.collate_fn)

    val_loader = torch.utils.data.DataLoader(val_data_set,# 传入的仍然是实例化的验证集（不是DistributedSampler）
                                             batch_size=batch_size,# 这里传入的还是batch_size，而不是BatchSampler
                                             sampler=val_sampler,# 因为我们刚才没有使用BatchSampler对DistributedSampler进行处理，所以这里# 直接传入DistributedSampler，将验证集进行随机打乱后均匀地分配给不同设备# 这里重点不是随机打乱，而是均匀地分配给不同的设备。
                                             pin_memory=True,
                                             num_workers=nw,
                                             collate_fn=val_data_set.collate_fn)# 实例化模型并指认到指定的设备中。# Note：刚才在定义args时，device默认的是cuda，而在初始化DDP环境时有 torch.cuda.set_device(args.gpu)# 将对应的GPU指认到args.gpu，后面还有device = torch.device(args.device)# 所以这里直接使用device就可以了 -> 会帮助我们自动分配到对应的GPU上
    model = resnet34(num_classes=num_classes).to(device)# 如果存在预训练权重则载入if os.path.exists(weights_path):
        weights_dict = torch.load(weights_path, map_location=device)
        load_weights_dict ={k: v for k, v in weights_dict.items()if model.state_dict()[k].numel()== v.numel()}
        model.load_state_dict(load_weights_dict, strict=False)"""
            如果我们使用多GPU训练，我们必须保证每个设备上初始的权重的是一模一样的！这样我们使用多GPU训练
            才是正确的；如果我们初始化的权重都不一样的化，那么在训练过程中所求得的梯度其实就不是针对同一组
            参数而言的。

            那我们应该怎么做呢？这里使用的是以下的语句：
                checkpoint_path = os.path.join(tempfile.gettempdir(), "initial_weights.pt")
            
            其中，tempfile.gettempdir()用于返回保存临时文件的文件夹路径。所以我们可以得到一个保存临时文件的路径：
                xxxxtempfolder/initial_weights.pt

            之后我们再将主进程模型的权值文件保存到这个临时文件中
                if rank == 0:  # 在主进程中保存模块的初始化权重
                    torch.save(model.state_dict(), checkpoint_path)

            最终让所有模型都读入该权重(不管是主进程还是其他进程 <=> 不管是生成pt文件的GPU还是其他GPU)：
                model.load_state_dict(torch.load(checkpoint_path, map_location=device))
        """else:# 如果不存在权重
        checkpoint_path = os.path.join(tempfile.gettempdir(),"initial_weights.pt")# 如果不存在预训练权重，需要将第一个进程中的权重保存，然后其他进程载入，保持初始化权重一致if rank ==0:# 在主进程中保存模块的初始化权重
            torch.save(model.state_dict(), checkpoint_path)

        dist.barrier()# 等待所有GPU都执行到这步# 这里注意，一定要指定map_location参数，否则会导致第一块GPU占用更多资源# map_location用于重定向，参考：https://blog.csdn.net/qq_43219379/article/details/123675375
        model.load_state_dict(torch.load(checkpoint_path, map_location=device))# 是否冻结权重if args.freeze_layers:for name, para in model.named_parameters():# 除最后的全连接层外，其他权重全部冻结（FC层中是没有BN的，所以使用同步功能的BN是没有意义的）if"fc"notin name:
                para.requires_grad_(False)else:# 不冻结权重# 只有训练带有BN结构的网络时使用SyncBatchNorm才有意义（不带BN的话就不用了）if args.syncBN:# 使用带有同步功能的BN# 使用SyncBatchNorm后训练会更耗时# 这个将BN换为sync_BN是不用管BN是2d还是3d的
            model = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model).to(device)# 转为DDP模型：使用torch.nn.parallel.DistributedDataParallel包装我们的模型，再指认对应的设备ID
    model = torch.nn.parallel.DistributedDataParallel(model, device_ids=[args.gpu])# optimizer
    pg =[p for p in model.parameters()if p.requires_grad]
    optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)# Scheduler https://arxiv.org/pdf/1812.01187.pdf
    lf =lambda x:((1+ math.cos(x * math.pi / args.epochs))/2)*(1- args.lrf)+ args.lrf  # cosine
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)for epoch inrange(args.epochs):"""
            前面我们提到了，使用DistributedSampler会打乱数据并将数据均匀的分配给每个设备。
            但是设备的拥有的数据是不变的。设置该方法后，每次DistributedSampler打乱的顺序就不同了，这就导致
            每个设备所拥有的数据不同 -> 让每个设备都能接触到所有的样本
        """
        train_sampler.set_epoch(epoch)

        mean_loss = train_one_epoch(model=model,
                                    optimizer=optimizer,
                                    data_loader=train_loader,
                                    device=device,
                                    epoch=epoch)

        scheduler.step()

        sum_num = evaluate(model=model,
                           data_loader=val_loader,
                           device=device)# 这里的val_sampler.total_size为整个验证集样本的总数（包括补充的数据）
        acc = sum_num / val_sampler.total_size

        if rank ==0:# 在主进程中给Tensorboard添加数据print("[epoch {}] accuracy: {}".format(epoch,round(acc,3)))
            tags =["loss","accuracy","learning_rate"]
            tb_writer.add_scalar(tags[0], mean_loss, epoch)
            tb_writer.add_scalar(tags[1], acc, epoch)
            tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)# 在主进程中保存权重参数
            torch.save(model.module.state_dict(),"./weights/model-{}.pth".format(epoch))# 删除临时缓存文件"""
        如果不使用预训练权重，那么会生成一个temp file用来保证所有设备模型的初始化一致
        所以我们要将其删除
    """if rank ==0:if os.path.exists(checkpoint_path)isTrue:
            os.remove(checkpoint_path)# 当训练完毕后，我们需要调用 cleanup 这个方法去摧毁进程组 -> 释放资源
    cleanup()if __name__ =='__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--num_classes',type=int, default=5)
    parser.add_argument('--epochs',type=int, default=30)
    parser.add_argument('--batch-size',type=int, default=16)
    parser.add_argument('--lr',type=float, default=0.001)
    parser.add_argument('--lrf',type=float, default=0.1)# 是否启用SyncBatchNorm
    parser.add_argument('--syncBN',type=bool, default=True)# 数据集所在根目录# http://download.tensorflow.org/example_images/flower_photos.tgz
    parser.add_argument('--data-path',type=str, default="/home/wz/data_set/flower_data/flower_photos")# resnet34 官方权重下载地址# https://download.pytorch.org/models/resnet34-333f7ec4.pth
    parser.add_argument('--weights',type=str, default='resNet34.pth',help='initial weights path')
    parser.add_argument('--freeze-layers',type=bool, default=False)# 以下三个参数不要进行修改，系统会自动分配
    parser.add_argument('--device', default='cuda',help='device id (i.e. 0 or 0,1 or cpu)')# 开启的进程数(注意不是线程),不用设置该参数，会根据nproc_per_node自动设置
    parser.add_argument('--world-size', default=4,type=int,help='number of distributed processes')
    parser.add_argument('--dist-url', default='env://',help='url used to set up distributed training')
    opt = parser.parse_args()

    main(opt)

5.2.2 distributed_utils

import os

import torch
import torch.distributed as dist

definit_distributed_mode(args):"""
        DDP可以使用在：
            1. 多机多卡
            2. 单机多卡
        
        + 如果是多机多卡的场景下，WORLD_SIZE对应所有机器中使用的进程数量（一个进程对应一块GPU）。
        + RANK代表所有进程中的第几个进程
        + LOCAL_RANK对应当前机器中第几个进程

        因为我们讲的是单机多卡的场景，所以这里的：
            + WORLD_SIZE就是有几块GPU
            + RANK代表哪块GPU
            + LOCAL_RANK和RANK是一样的

        因为我们的脚本使用的是 torch.distributed.launch 这个方法，所以需要使用 --use_env 这个方法（args.use_env==True）
    """if'RANK'in os.environ and'WORLD_SIZE'in os.environ:# 我们使用的是这个
        args.rank =int(os.environ["RANK"])# 将环境中的RANK强转为int后传入args.rank变量
        args.world_size =int(os.environ['WORLD_SIZE'])
        args.gpu =int(os.environ['LOCAL_RANK'])elif'SLURM_PROCID'in os.environ:
        args.rank =int(os.environ['SLURM_PROCID'])
        args.gpu = args.rank % torch.cuda.device_count()else:print('Not using distributed mode')
        args.distributed =Falsereturn

    args.distributed =True# 将是否使用分布式训练的flag设置为True# 指定当前进程使用的GPU。在使用单机多卡的时候，其实是针对每一个GPU起了一个进程
    torch.cuda.set_device(args.gpu)

    args.dist_backend ='nccl'# 通信后端，nvidia GPU推荐使用NCCL# 打印当前所使用GPU的RANK及其distributed url信息print('| distributed init (rank {}): {}'.format(args.rank, args.dist_url), flush=True)# 通过 init_process_group方法创建进程组
    dist.init_process_group(backend=args.dist_backend,# 通信后端（N卡推荐使用nccl）
                            init_method=args.dist_url,# 初始化方法（直接使用默认的方法 -> "env://"）
                            world_size=args.world_size,# 对于不同的进程而言（一块GPU分配一个进程），WORLD_SIZE是一样的
                            rank=args.rank)# 但不同的进程中，RANK是不一样的（如果有两张GPU并行，第一张GPU的RANK=0，第二张GPU的RANK=1）# 调用barrier方法等待所有的GPU都运行到这个地方之后再往下走    
    dist.barrier()defcleanup():
    dist.destroy_process_group()defis_dist_avail_and_initialized():"""检查是否支持分布式环境"""ifnot dist.is_available():returnFalseifnot dist.is_initialized():returnFalsereturnTruedefget_world_size():ifnot is_dist_avail_and_initialized():return1return dist.get_world_size()defget_rank():ifnot is_dist_avail_and_initialized():return0return dist.get_rank()defis_main_process():return get_rank()==0defreduce_value(value, average=True):
    world_size = get_world_size()if world_size <2:# 单GPU的情况return value

    with torch.no_grad():# 多GPU的情况下
        dist.all_reduce(value)# 通过 all_reduce 方法对不同设备的value进行求和操作# 通过 all_reduce 操作之后，value就成了所有设备value的之和if average:# 如果要进行求平均
            value /= world_size  # world_size为GPU数量return value

5.2.3 train_eval_utils

import sys

from tqdm import tqdm
import torch

from multi_train_utils.distributed_utils import reduce_value, is_main_process

deftrain_one_epoch(model, optimizer, data_loader, device, epoch):
    model.train()# 声明模型的状态
    loss_function = torch.nn.CrossEntropyLoss()# 定义损失函数
    mean_loss = torch.zeros(1).to(device)# 生成shape为[1, ]的全零矩阵，并添加到对应的设备中 -> 用于存储后续计算得到mean_loss# 清空优化器中的梯度残留
    optimizer.zero_grad()# 在进程0中打印训练进度if is_main_process():# 判断是否为主进程# 使用tqdm库包装一下data_loader这个变量，一会儿在遍历data_loader时就会打印一个进度条
        data_loader = tqdm(data_loader,file=sys.stdout)# 迭代data_loader，获取step和对应的数据"""
        在data_loader中就定义了BS的大小, 所以这里step就是$step = 所有图片的数量 / BS$
        step即为BS的数量, 每走过一次step即为处理了BS张图片
        
        第1个step对应第1个bs
        第2个step对应第2个bs
        第3个step对应第3个bs
        ...
    """for step, data inenumerate(data_loader):
        images, labels = data  # data包含两部分数据：1. 预处理后的图片；2. 对应的真实标签# 通过正向传播获取图片的预测结果
        pred = model(images.to(device))# 根据预测结果与真实标签计算loss
        loss = loss_function(pred, labels.to(device))# 对loss进行反向传播"""
            这里计算的loss是针对当前GPU当前batch求得的损失。但是在单机多卡的环境中，我们想要求得所有GPU的平均损失。
            所有我们应该想办法求得不同设备之间求得的loss的均值。这里是通过 reduce_value这个方法实现的
        """
        loss.backward()# 对loss进行求平均处理"""
            reduce_value:
                def reduce_value(value, average=True):
                    world_size = get_world_size()
                    if world_size < 2:  # 单GPU的情况
                        return value  # 原值返回

                    with torch.no_grad():
                        dist.all_reduce(value)
                        if average:
                            value /= world_size  # 需要除以GPU数量后再返回

                        return value
        """
        loss = reduce_value(loss, average=True)# 这行代码在单机单卡环境是不起作用的# 对历史损失求平均
        mean_loss =(mean_loss * step + loss.detach())/(step +1)# update mean losses# 在进程0中打印平均lossif is_main_process():# 判断是否为主进程
            data_loader.desc ="[epoch {}] mean loss {}".format(epoch,round(mean_loss.item(),3))# 判断loss是否为有限数据（不能是infty）ifnot torch.isfinite(loss):print('WARNING: non-finite loss, ending training ', loss)
            sys.exit(1)# 如果loss为无穷，则退出训练

        optimizer.step()# 参数优化器进行参数更新
        optimizer.zero_grad()# 参数优化器更新完参数后，需要将梯度清空# 等待所有进程计算完毕if device != torch.device("cpu"):
        torch.cuda.synchronize(device)# 等待CUDA设备上所有流中的所有内核完成。# 返回计算求得的平均lossreturn mean_loss.item()"""
    这里使用了@torch.no_grad()这个装饰器对该方法进行修改，也可以使用 with torch.no_grad: 这个上下文管理器
"""@torch.no_grad()defevaluate(model, data_loader, device):
    model.eval()# 声明模型状态 -> 1. 关闭BN; 2. Dropout# 用于存储预测正确的样本个数
    sum_num = torch.zeros(1).to(device)# 在进程0中打印验证进度if is_main_process():
        data_loader = tqdm(data_loader,file=sys.stdout)# 在主进程中包装dataloaderfor step, data inenumerate(data_loader):
        images, labels = data
        pred = model(images.to(device))# 获取预测概率
        pred = torch.max(pred, dim=1)[1]# 获取预测概率最的max"""
        torch.eq(tensor, tensor/value)
        对两个张量Tensor进行逐元素的比较，若相同位置的两个元素相同，则返回True；若不同，返回False。
        """
        sum_num += torch.eq(pred, labels.to(device)).sum()# 计算所有预测正确的数量# 等待所有进程计算完毕if device != torch.device("cpu"):
        torch.cuda.synchronize(device)# 统计所有预测正确的数量# 这里使用 reduce_value 方法实现所有GPU的sum_num变量之和
    sum_num = reduce_value(sum_num, average=False)return sum_num.item()

6. 补充知识

6.1 Cosine学习率变化曲线

lf =lambda x:((1+ math.cos(x * math.pi / args.epochs))/2)*(1- arg.lrf)+ args.lrf

      l
     
     
      r
     
     
      (
     
     
      e
     
     
      p
     
     
      o
     
     
      c
     
     
      h
     
     
      )
     
    
    
     =
    
    
     
      1
     
     
      2
     
    
    
     [
    
    
     1
    
    
     +
    
    
     cos
    
    
     ⁡
    
    
     
      
       π
      
      
       ⋅
      
      
       
        e
       
       
        p
       
       
        o
       
       
        c
       
       
        h
       
      
     
     
      
       e
      
      
       p
      
      
       o
      
      
       c
      
      
       h
      
      
       s
      
     
    
    
     ]
    
    
     ×
    
    
     (
    
    
     1
    
    
     −
    
    
     α
    
    
     )
    
    
     +
    
    
     α
    
   
   
     \mathrm{lr(epoch)} = \frac{1}{2}[1 + \cos\frac{\pi \cdot \mathrm{epoch}}{\mathrm{epochs}}] \times (1 - \alpha) + \alpha 
   
  
 lr(epoch)=21[1+cosepochsπ⋅epoch]×(1−α)+α

其中：

                               l                         f                              \mathrm{lf}                  lf为当前学习率

                               e                         p                         o                         c                         h                              \mathrm{epoch}                  epoch为当前迭代的epoch数

                               e                         p                         o                         c                         h                         s                              \mathrm{epochs}                  epochs为总的epoch数

                               α                              \alpha                  α为倍率因子

其函数曲线为：

在这里插入图片描述

6.2 DistributedSampler的讲解

# 实例化训练数据集
train_data_set = MyDataSet(images_path=train_images_path,
                           images_class=train_images_label,
                           transform=data_transform["train"])# 实例化验证数据集
val_data_set = MyDataSet(images_path=val_images_path,
                         images_class=val_images_label,
                         transform=data_transform["val"])# 给每个rank对应的进程分配训练的样本索引
train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)

现在对

torch.utils.data.distributed.DistributedSampler

进行讲解。

在这里插入图片描述

假设当前的数据集一共有11个样本 -> [0, 1, 2, 3, 4, …, 10]。

首先DistributedSampler会对数据进行Shuffle处理，得到[6, 1, 9, 3, …, 7]这样随机的数据顺序。然后根据GPU的数量进行计算。假设我们使用2块GPU进行并行。那么DistributedSampler：

先会对总的样本数/2（向上取整）=6。
再对得到的数乘上GPU的个数，即6*2=12
这个12就是2块GPU需要的数据总的样本个数。但是我们的样本总数是11，那么就会对其进行补充。怎么补充？—— 对最开头的数据进行复制，再放到最后。这里我们缺了1个数据，所有就将6补充到最后。（如果我们差3个数据，就将[6, 1, 9]进行复制，补充到后面）

这样我们就有12个数据了，就可以均衡的分配到每一个GPU设备中了。

最后对数据进行分配。分配的方式也非常简单，就是间隔地将数据分配到不同的设备中。

通过DistributedSampler，我们就将所有的数据平分到各个设备上了。设备只能使用分配的数据，不能使用其他设备拥有的数据。

6.3 BatchSampler

# 给每个rank对应的进程分配训练的样本索引
train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)# -----------------------------------------------------------# 将样本索引每batch_size个元素组成一个list# BatchSampler是对train_sampler做进一步的处理
train_batch_sampler = torch.utils.data.BatchSampler(train_sampler, 
                                                    batch_size, 
                                                    drop_last=True)

在这里插入图片描述

假设我们有2块GPU，通过DistributedSampler后，数据被均匀地分配到两个设备中。我们拿第一块GPU为例，它分配到的数据索引为[6, 9, 10, 1, 8, 7]。假设我们的Batch Size=2，那么BatchSampler会将不同设备的数据以2个为一组组合在一起。

在BatchSampler中还有一个参数

drop_last

。这个参数的意思是：

如果我们的BS=4，那么我们发现，只有前4个数据可以打包为一组，后2个数据凑不够了：

如果Droplast==True，那么剩下的2个数据就被丢弃了。
如果Droplast==False，那么剩下的2个数据打包为一个batch。

Note：

一般BatchSampler只处理训练集的DistributedSampler，验证集的不需要处理。

7. 总结

打印、保存模型、计算时间等操作要放在主线程中执行 (rank==0)
别忘记给模型用DDP进行包装
加载数据集后别忘记使用DistributedSampler进行处理；还有BatchSampler对前者进行处理
记得对loss队形reduce_value的计算
对需要累加的东西都别忘了使用reduce_value进行计算
loss.backward()直接进行梯度反向传播就行，不需要先进行reduce_value再传播。因为每张卡的loss是不一样的，是针对自己的数据求出来的值，mean loss只是展示用，并不是实际反向传播的loss
to(device)的方法很好用，以后就可以不用.cuda()了 😂
tensorboard里面东西排序是看英文顺序，不是语句顺序
如果追求速度，关闭同步的BN(SyncBN)

知识来源

https://www.bilibili.com/video/BV1yt4y1e7sZ?share_source=copy_pc

标签： pytorch 深度学习人工智能

本文转载自: https://blog.csdn.net/weixin_44878336/article/details/125412625
版权归原作者 Le0v1n 所有，如有侵权，请联系我们删除。

PyTorch使用多GPU并行训练及其原理和注意事项

1. 常见的多GPU使用方法

2. 训练速度与GPU数量之间的关系

3. 重点

3.1 数据集分配

3.2 误差通信

3.3 BN同步

4. PyTorch实现多卡并行计算的方式

5. PyTorch中使用多GPU训练的常用启动方式

5.1 单机单卡的训练脚本

5.1.1 main

5.1.2 train_eval_utils

5.2 分布式训练

5.2.1 main

5.2.2 distributed_utils

5.2.3 train_eval_utils

6. 补充知识

6.1 Cosine学习率变化曲线

6.2 DistributedSampler的讲解

6.3 BatchSampler

7. 总结

知识来源

发表评论

“PyTorch使用多GPU并行训练及其原理和注意事项”的评论:

关于作者

overfit同步小助手

相关阅读

文章导航