pytorc使用多个GPU同时训练及常见问题解决办法

时间:2024-03-20 19:25:04

在pytorch上使用多个GPU(在同一台设备上,并非分布式)进行训练是件非常容易的事情,只要在源代码中添加(修改)两行代码即可。下面贴上官方教程给的示例代码。并在文末总结一些自己在使用多GPU实验时发现的问题。

官方tutorial

把模型放在GPU上:

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

将tensor复制到GPU上

mytensor = my_tensor.to(device)

请注意,调用my_tensor.to(device)会在GPU上返回一个新的my_tensor副本,而不是重写my_tensor。你需要给它分配一个新的张量,然后在GPU上使用这个张量。

Pytorch默认情况下只使用一个GPU。想用多GPU同时训练,只需下面一步简单的操作:使用模块DataParallel,你就可以很容易地在多个gpu上运行你的操作:

model = nn.DataParallel(model)

上面这行代码就是本教程的核心。

(注意:有时候只使用上面这一行代码还不能实现多gpu训练,会报错,文末会给解决办法)

官方示例代码
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import os 

os.environ['CUDA_VISIBLE_DEVICES'] = '2,3' # 这里输入你的GPU_id

# Parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

# Dummy DataSet
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)

# Simple Model
class Model(nn.Module):
    # Our model

    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

# Create Model and DataParallel
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)


#Run the Model
for data in rand_loader:
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())

运行上面代码,会在控制台打印出:

Let's use 2 GPUs!
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
    In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
    In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

闲来无事可以跑一下,感受一下官方的多GPU训练。


分割线

最近在尝试使用多GPU训练的时候,遇到了一些问题,记录下来留作以后参考,也给遇到同样问题的朋友做参考。

问题一:

按照官方教程设置,即model = nn.DataParallel(model),运行后报错:

TypeError:Broadcast function not implemented for CPU tensors

pytorc使用多个GPU同时训练及常见问题解决办法

网上求解,发现原因是使用DataParallel()前没把model转为cuda模式,因此报这个错误。

解决方案:

修改为:

model = nn.DataParallel(model.cuda())

参考:https://discuss.pytorch.org/t/broadcast-function-not-implemented-for-cpu-tensors/9893

问题二:

报如下错误:

AttributeError: 'DataParallel' object has no attribute 'forward_classifier'

pytorc使用多个GPU同时训练及常见问题解决办法

类似这样的问题“AttributeError: ‘DataParallel’ object has no attribute ‘xxx’”,解决办法为先在dataparallel后的model调用module模块,然后再调用xxx。在使用了DataParallel之后,有这样的关系:model.xxx = nn.DataParallel.module.xxx

报错的代码为:

cls_a = model.forward_classifier(selected_data_a)

解决方案
将其修改为如下即可解决问题:

cls_a = model.module.forward_classifier(selected_data_a)

此问题参考:https://discuss.pytorch.org/t/fine-tuning-resnet-dataparallel-object-has-no-attribute-fc/14842


本文参考:官方的多GPU训练pytorch tutorial