版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。
本文鏈接：https://blog.csdn.net/Answer3664/article/details/98992409
參考：

https://pytorch.org/docs/stable/nn.html

https://github.com/apachecn/pytorch-doc-zh/blob/master/docs/1.0/blitz_data_parallel_tutorial.md

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

在正向傳遞中，模塊在每個設備上復制，每個副本處理一部分輸入。在向后傳遞期間，來自每個副本的漸變被加到原始模塊中。

module：需要并行處理的模型
device_ids：并行處理的設備，默認使用所有的cuda
output_device：輸出的位置，默認輸出到cuda:0
例子：

>>> net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])
>>> output = net(input_var) # input_var can be on any device, including CPU
torch.nn.DataParallel()返回一個新的模型，能夠將輸入數據自動分配到所使用的GPU上。所以輸入數據的數量應該大于所使用的設備的數量。

二、一個完整例子
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# 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')


# 隨機數據集
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)


# 以簡單模型為例，同樣可以用于CNN, RNN 等復雜模型
class Model(nn.Module):
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('In model: input size', input.size(), 'output size:', output.size())
return output


# 實例
model = Model(input_size, output_size)

if torch.cuda.device_count() > 1:
print("Use", torch.cuda.device_count(), 'gpus')
model = nn.DataParallel(model)

model.to(device)

for data in rand_loader:
input = data.to(device)
output = model(input)
print('Outside: input size ', input.size(), 'output size: ', output.size())
輸出：

In model: input size torch.Size([30, 5]) output size: torch.Size([30, 2])
Outside: input size ?torch.Size([30, 5]) output size: ?torch.Size([30, 2])
In model: input size torch.Size([30, 5]) output size: torch.Size([30, 2])
Outside: input size ?torch.Size([30, 5]) output size: ?torch.Size([30, 2])
In model: input size torch.Size([30, 5]) output size: torch.Size([30, 2])
Outside: input size ?torch.Size([30, 5]) output size: ?torch.Size([30, 2])
In model: input size torch.Size([10, 5]) output size: torch.Size([10, 2])
Outside: input size ?torch.Size([10, 5]) output size: ?torch.Size([10, 2])

若有2個GPU

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])
若有3個GPU

Use 3 GPUs!
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2])
In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside： input size torch.Size([10, 5]) output_size torch.Size([10, 2])
總結：

DataParallel自動的劃分數據，并將作業發送到多個GPU上的多個模型。DataParallel會在每個模型完成作業后，收集與合并結果然后返回給你。
————————————————
版權聲明：本文為CSDN博主「Answerlzd」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/Answer3664/article/details/98992409

總結

以上是生活随笔為你收集整理的pytorch利用多个GPU并行计算多gpu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。