文章目錄

• 數據并行

單機多卡訓練，即并行訓練。并行訓練又分為數據并行 (Data Parallelism) 和模型并行兩種。

數據并行指的是，多張 GPU 使用相同的模型副本，但是使用不同的數據批進行訓練。而模型并行指的是，多張GPU 分別訓練模型的不同部分，使用同一批數據。

數據并行

torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)

【參數】

module ： 要進行并行的 module。這里隱含了一點 ，即網絡中的某一層也是可以進行數據并行的，但是一般不會這么使用。
device_ids : CUDA 列表，可以為 torch.device 類型，也可以是編號組成的 int 列表。默認使用全部 GPU
output_device : 某一 GPU 編號或 torch.device 。指定輸出的 GPU，默認為第一個，即 device_ids[0]

數據并行的具體原理流程為：

1.將模型加載至主設備上，作為 controller，一般設置為 cuda:0
在每次迭代時，執行如下操作：
2.將 controller 模型復制（broadcast）到每一個指定的 GPU 上
將總輸入的數據 batch，進行均分，分別作為各對應副本的輸入 (scatter)
3.每個副本獨立進行前向傳播，并進行反向傳播，但只是求取梯度
4.將各副本的梯度匯總（gather）到 controller 設備，并進行求和 (reduced add) During the backwards pass, gradients from each replica are summed into the original module.
5.更具總體度，更新 controller 設備上的參數

總結

以上是生活随笔為你收集整理的Pytorch：数据并行和模型并行，解决训练过程中内存分配不均衡的问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。