|
|
# 8.4 多GPU计算
|
|
|
> 注：相对于本章的前面几节，我们实际中更可能遇到本节所讨论的情况：多GPU计算。原书将MXNet的多GPU计算分成了8.4和8.5两节，但我们将关于PyTorch的多GPU计算统一放在本节讨论。
|
|
|
需要注意的是，这里我们谈论的是单主机多GPU计算而不是分布式计算。如果对分布式计算感兴趣可以参考[PyTorch官方文档](https://pytorch.org/tutorials/intermediate/dist_tuto.html)。
|
|
|
|
|
|
本节中我们将展示如何使用多块GPU计算，例如，使用多块GPU训练同一个模型。正如所期望的那样，运行本节中的程序需要至少2块GPU。事实上，一台机器上安装多块GPU很常见，这是因为主板上通常会有多个PCIe插槽。如果正确安装了NVIDIA驱动，我们可以通过在命令行输入`nvidia-smi`命令来查看当前计算机上的全部GPU（或者在jupyter notebook中运行`!nvidia-smi`）。
|
|
|
|
|
|
```
|
|
|
nvidia-smi
|
|
|
```
|
|
|
输出：
|
|
|
```
|
|
|
Wed May 15 23:12:38 2019
|
|
|
+-----------------------------------------------------------------------------+
|
|
|
| NVIDIA-SMI 390.48 Driver Version: 390.48 |
|
|
|
|-------------------------------+----------------------+----------------------+
|
|
|
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
|
|
|
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|
|
|
|===============================+======================+======================|
|
|
|
| 0 TITAN X (Pascal) Off | 00000000:02:00.0 Off | N/A |
|
|
|
| 46% 76C P2 87W / 250W | 10995MiB / 12196MiB | 0% Default |
|
|
|
+-------------------------------+----------------------+----------------------+
|
|
|
| 1 TITAN X (Pascal) Off | 00000000:04:00.0 Off | N/A |
|
|
|
| 53% 84C P2 143W / 250W | 11671MiB / 12196MiB | 4% Default |
|
|
|
+-------------------------------+----------------------+----------------------+
|
|
|
| 2 TITAN X (Pascal) Off | 00000000:83:00.0 Off | N/A |
|
|
|
| 62% 87C P2 190W / 250W | 12096MiB / 12196MiB | 100% Default |
|
|
|
+-------------------------------+----------------------+----------------------+
|
|
|
| 3 TITAN X (Pascal) Off | 00000000:84:00.0 Off | N/A |
|
|
|
| 51% 83C P2 255W / 250W | 8144MiB / 12196MiB | 58% Default |
|
|
|
+-------------------------------+----------------------+----------------------+
|
|
|
|
|
|
+-----------------------------------------------------------------------------+
|
|
|
| Processes: GPU Memory |
|
|
|
| GPU PID Type Process name Usage |
|
|
|
|=============================================================================|
|
|
|
| 0 44683 C python 3289MiB |
|
|
|
| 0 155760 C python 4345MiB |
|
|
|
| 0 158310 C python 2297MiB |
|
|
|
| 0 172338 C /home/yzs/anaconda3/bin/python 1031MiB |
|
|
|
| 1 139985 C python 11653MiB |
|
|
|
| 2 38630 C python 5547MiB |
|
|
|
| 2 43127 C python 5791MiB |
|
|
|
| 2 156710 C python3 725MiB |
|
|
|
| 3 14444 C python3 1891MiB |
|
|
|
| 3 43407 C python 5841MiB |
|
|
|
| 3 88478 C /home/tangss/.conda/envs/py36/bin/python 379MiB |
|
|
|
+-----------------------------------------------------------------------------+
|
|
|
```
|
|
|
从上面的输出可以看到一共有四块TITAN X GPU，每一块总共有约12个G的显存，此时每块的显存都占得差不多了......此外还可以看到GPU利用率、运行的所有程序等信息。
|
|
|
|
|
|
Pytorch在0.4.0及以后的版本中已经提供了多GPU训练的方式，本文用一个简单的例子讲解下使用Pytorch多GPU训练的方式以及一些注意的地方。
|
|
|
|
|
|
## 8.4.1 多GPU计算
|
|
|
先定义一个模型：
|
|
|
``` python
|
|
|
import torch
|
|
|
net = torch.nn.Linear(10, 1).cuda()
|
|
|
net
|
|
|
```
|
|
|
输出：
|
|
|
```
|
|
|
Linear(in_features=10, out_features=1, bias=True)
|
|
|
```
|
|
|
|
|
|
要想使用PyTorch进行多GPU计算，最简单的方法是直接用`torch.nn.DataParallel`将模型wrap一下即可：
|
|
|
``` python
|
|
|
net = torch.nn.DataParallel(net)
|
|
|
net
|
|
|
```
|
|
|
输出：
|
|
|
```
|
|
|
DataParallel(
|
|
|
(module): Linear(in_features=10, out_features=1, bias=True)
|
|
|
)
|
|
|
```
|
|
|
这时，默认所有存在的GPU都会被使用。
|
|
|
|
|
|
如果我们机子中有很多GPU(例如上面显示我们有4张显卡，但是只有第0、3块还剩下一点点显存)，但我们只想使用0、3号显卡，那么我们可以用参数`device_ids`指定即可:`torch.nn.DataParallel(net, device_ids=[0, 3])`。
|
|
|
|
|
|
## 8.4.2 多GPU模型的保存与加载
|
|
|
我们现在来尝试一下按照4.5节（读取和存储）推荐的方式进行一下模型的保存与加载。
|
|
|
保存模型:
|
|
|
``` python
|
|
|
torch.save(net.state_dict(), "./8.4_model.pt")
|
|
|
```
|
|
|
|
|
|
加载模型前我们一般要先进行一下模型定义，此时的`new_net`并没有使用多GPU:
|
|
|
``` python
|
|
|
new_net = torch.nn.Linear(10, 1)
|
|
|
new_net.load_state_dict(torch.load("./8.4_model.pt"))
|
|
|
```
|
|
|
然后我们发现报错了:
|
|
|
```
|
|
|
RuntimeError: Error(s) in loading state_dict for Linear:
|
|
|
Missing key(s) in state_dict: "weight", "bias".
|
|
|
Unexpected key(s) in state_dict: "module.weight", "module.bias".
|
|
|
```
|
|
|
|
|
|
事实上`DataParallel`也是一个`nn.Module`，只是这个类其中有一个module就是传入的实际模型。因此当我们调用`DataParallel`后，模型结构变了（在外面加了一层而已，从8.4.1节两个输出可以对比看出来）。所以直接加载肯定会报错的，因为模型结构对不上。
|
|
|
|
|
|
所以正确的方法是保存的时候只保存`net.module`:
|
|
|
``` python
|
|
|
torch.save(net.module.state_dict(), "./8.4_model.pt")
|
|
|
new_net.load_state_dict(torch.load("./8.4_model.pt")) # 加载成功
|
|
|
```
|
|
|
|
|
|
或者先将`new_net`用`DataParallel`包括以下再用上面报错的方法进行模型加载:
|
|
|
``` python
|
|
|
torch.save(net.state_dict(), "./8.4_model.pt")
|
|
|
new_net = torch.nn.Linear(10, 1)
|
|
|
new_net = torch.nn.DataParallel(new_net)
|
|
|
new_net.load_state_dict(torch.load("./8.4_model.pt")) # 加载成功
|
|
|
```
|
|
|
注意这两种方法的区别，推荐用第一种方法，因为可以按照普通的加载方法进行正确加载。
|
|
|
|
|
|
-----------
|
|
|
> 注：本节与原书基本不同，[原书传送门](https://zh.d2l.ai/chapter_computational-performance/multiple-gpus.html)
|
|
|
|
