PyTorch在Linux上的并行计算

PyTorch是一个流行的开源机器学习库，它在Linux上支持多种并行计算方式，包括数据并行、模型并行和分布式并行。以下是这些并行计算方式的简要介绍：

1. 数据并行（Data Parallelism）

数据并行是指将数据集分割成多个小批次，并在不同的GPU上并行处理这些小批次。PyTorch通过torch.nn.DataParallel模块来实现数据并行。

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

# 假设我们有一个模型和一个数据集
model = nn.Sequential(
    nn.Linear(10, 50),
    nn.ReLU(),
    nn.Linear(50, 10)
)

dataset = ...  # 你的数据集
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 使用DataParallel进行数据并行
if torch.cuda.device_count() >
 1:
    print(f"Let's use {
torch.cuda.device_count()}
     GPUs!")
    model = nn.DataParallel(model)

model.to('cuda')  # 将模型移动到GPU

# 训练模型
for inputs, labels in dataloader:
    inputs, labels = inputs.to('cuda'), labels.to('cuda')
    outputs = model(inputs)
    loss = nn.CrossEntropyLoss()(outputs, labels)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

2. 模型并行（Model Parallelism）

模型并行是指将模型的不同部分放在不同的GPU上。PyTorch没有内置的模型并行支持，但可以通过手动管理张量和操作来实现。

import torch
import torch.nn as nn

class ModelParallelModel(nn.Module):
    def __init__(self):
        super(ModelParallelModel, self).__init__()
        self.part1 = nn.Linear(10, 50).to('cuda:0')
        self.part2 = nn.Linear(50, 10).to('cuda:1')

    def forward(self, x):
        x = x.to('cuda:0')
        x = self.part1(x)
        x = x.to('cuda:1')
        x = self.part2(x)
        return x

model = ModelParallelModel()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for inputs, labels in dataloader:
    inputs, labels = inputs.to('cuda:0'), labels.to('cuda:1')
    outputs = model(inputs)
    loss = nn.CrossEntropyLoss()(outputs, labels)
    loss.backward()
    optimizer.step()
    optimizer.zero_grad()

3. 分布式并行（Distributed Parallelism）

分布式并行是指在多个节点上并行运行模型，每个节点可以有多个GPU。PyTorch通过torch.distributed模块来实现分布式并行。

import torch
import torch.nn as nn
import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel as DDP
from torch.utils.data import DataLoader, DistributedSampler

def main(rank, world_size):
    dist.init_process_group(backend='nccl', init_method='env://', world_size=world_size, rank=rank)

    model = nn.Sequential(
        nn.Linear(10, 50),
        nn.ReLU(),
        nn.Linear(50, 10)
    ).to(rank)

    ddp_model = DDP(model, device_ids=[rank])

    dataset = ...  # 你的数据集
    sampler = DistributedSampler(dataset)
    dataloader = DataLoader(dataset, batch_size=32, sampler=sampler)

    optimizer = torch.optim.SGD(ddp_model.parameters(), lr=0.01)

    for epoch in range(num_epochs):
        sampler.set_epoch(epoch)
        for inputs, labels in dataloader:
            inputs, labels = inputs.to(rank), labels.to(rank)
            outputs = ddp_model(inputs)
            loss = nn.CrossEntropyLoss()(outputs, labels)
            loss.backward()
            optimizer.step()
            optimizer.zero_grad()

if __name__ == "__main__":
    world_size = torch.cuda.device_count()
    torch.multiprocessing.spawn(main, args=(world_size,), nprocs=world_size, join=True)

总结

• 数据并行：适用于单个节点上的多GPU并行。
• 模型并行：适用于模型太大无法放入单个GPU的情况。
• 分布式并行：适用于多个节点上的多GPU并行。

选择合适的并行方式取决于你的硬件资源和具体需求。

声明：本文内容由网友自发贡献，本站不承担相应法律责任。对本内容有异议或投诉，请联系2913721942#qq.com核实处理，我们将尽快回复您，谢谢合作！