从 DP 到 DDP 到 apex

1、从 DataParallel 到 DistributedDataParallel，最大的改变是启动方式：

从 python a.py 到 python -m torch.distributed.launch --nproc_per_node=4 --use_env a.py

--nproc_per_node 表示单机使用4块GPU， --use_env 表示不给 a.py 增加参数--local_rank。

torch.distributed.launch 的作用就是用多进程的方式启动 a.py，并增加一些环境变量，比如 ‘RANK’, 'LOCAL_RANK', 'WORLD_SIZE' 等。

import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel as DDP#假设2台机器，每台4卡
_rank = int(os.environ['RANK'])          #全局索引，从0到7
_gpu_id = int(os.environ['LOCAL_RANK'])  #2台机器都是从0到3
_gpu_num = int(os.environ['WORLD_SIZE']) #总进程数=2*4print('pid=%d, _rank=%d'%(os.getpid(), _rank))
print('pid=%d, _gpu_id=%d'%(os.getpid(), _gpu_id))
print('pid=%d, _gpu_num=%d'%(os.getpid(), _gpu_num))torch.cuda.set_device(_gpu_id)
dist.init_process_group(backend='nccl')
dist.barrier()...#train_dataset 是一个 Dataset 的实例
train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset)
data_train = DataLoader(train_dataset,                                                batch_size=int(batchsize/_gpu_num),shuffle=False, #True, 在 DistributedSampler 里做过shuffle了num_workers=4,sampler=self.train_sampler)#model = DataParallel(model)
model = DDP(model, device_ids=[_gpu_id], output_device=_gpu_id)...#在每个epoch训练的开始
train_sampler.set_epoch(epoch_idx)#在所有写日志和保存模型的地方加上对 _rank 的判断
if (_rank == 0):writelog or savemodel

2、从DistributedDataParallel 到 apex，最大的坑是 GCC 需要大于 4.9。（apex 已放弃，pytorch1.6自带的amp好用）

from apex import amp
#from torch.nn.parallel import DistributedDataParallel as DDP
from apex.parallel import DistributedDataParallel as DDP...#2个模型，1个优化器, 先做initialize，再做DDP
list_model = [model_a, model_b]
list_model, optimizer = amp.initialize(list_model, optimizer, opt_level="O1")
model_a = DDP(model_a)
model_b = DDP(model_b)...#loss.backward()
with amp.scale_loss(loss, optimizer) as scaled_loss:scaled_loss.backward()

参考：

1、[原创][深度][PyTorch] DDP系列第一篇：入门教程

2、scaled_loss.backward Segmentation fault (core dumped)

3、Pytorch中的Distributed Data Parallel与混合精度训练（Apex）

从 DP 到 DDP 到 apex相关推荐

Pytorch 并行训练（DP， DDP）的原理和应用
Pytorch 并行训练(DP, DDP)的原理和应用 1. 前言并行训练可以分为数据并行和模型并行. 模型并行模型并行主要应用于模型相比显存来说更大,一块 device 无法加载的场景,通过把模 ...
PyTorch 深度剖析：并行训练的 DP 和 DDP 分别在什么情况下使用及实例
↑ 点击蓝字关注极市平台作者丨科技猛兽编辑丨极市平台极市导读这篇文章从应用的角度出发,介绍 DP 和 DDP 分别在什么情况下使用,以及各自的使用方法.以及 DDP 的保存和加载模型的策略, ...
Pytorch 分布式训练中DP和DDP的原理和用法
一.聊聊DP和DDP pytorch中的有两种分布式训练方式一种是常用的DataParallel(DP) 另外一种是DistributedDataParallel(DDP) 两者都可以用来实现数据并 ...
动手实践看懂深度学习的DP和DDP
摘要为了尽可能加快训练,我们会使用两种GPU并行手段,DP和DDP,但是DP其实只会开一个进程去管理,计算资源分配不均,DDP上我们倾向于一张卡开一个进程,使得我们的计算资源能够最大化的利用.本次的 ...
pytorch的DP和DDP
参考 https://andrew.gibiansky.com/blog/machine-learning/baidu-allreduce/# https://zhuanlan.zhihu.com/p ...
负责任的回应：开发Greenbelt网站
As of December 2013, we handed over the Greenbelt website to Greenbelt Festivals and are not now inv ...
pytorch 指定卡1_[原创][深度][PyTorch] DDP系列第一篇：入门教程
引言 DistributedDataParallel(DDP)是一个支持多机多卡.分布式训练的深度学习工程方法.PyTorch现已原生支持DDP,可以直接通过torch.distributed使用,超 ...
ResNet实战：单机多卡DDP方式、混合精度训练
文章目录摘要 apex DP和DDP Parameter Server架构(PS模式) ring-all-reduce模式 DDP的基本用法 (代码编写流程) Mixup 项目结构计算mean和s ...
PyTorch 分布式训练DDP 单机多卡快速上手
PyTorch 分布式训练DDP 单机多卡快速上手本文旨在帮助新人快速上手最有效的 PyTorch 单机多卡训练,对于 PyTorch 分布式训练的理论介绍.多方案对比,本文不做详细介绍,有兴趣的读 ...

从 DP 到 DDP 到 apex

从 DP 到 DDP 到 apex相关推荐

最新文章

热门文章