PyTorch学習ノート(五)----データ並列処理
29255 ワード
転載は作者と出典を明記してください。http://blog.csdn.net/john_bh/
記事の目次.使用説明 .完全コード 総括 1.使用説明
どのようにDataParalelを使ってマルチGPUを使うかを勉強します。複数のGPUをPyTorchで使うのはとても簡単です。モデルをGPUに置くことができます。
多GPUでフィードフォワードを行うのは、フィードフォワード操作がとても自然です。それでもPyTorchはデフォルトでは一つのGPUしか使えません。Data Paralelを使ってモデルを並列に実行させることで、多GPU上であなたの操作を容易に実行することができます。
小さいデモを作って、モデルは入力を得るだけで、線形操作を行い、出力を与えます。
データは並列に自動的にデータを分割し、タスクシートを複数のGPUに送信します。各モデルが自分の任務を完了したら、DataPalelはこれらの結果を収集して統合して、またあなたに返します。
記事の目次
どのようにDataParalelを使ってマルチGPUを使うかを勉強します。複数のGPUをPyTorchで使うのはとても簡単です。モデルをGPUに置くことができます。
device = torch.device("cuda:0")
model.to(device)
次に、全枚数をGPUにコピーする。mytensor = my_tensor.to(device)
注意してください。myを呼ぶだけです。tenssor.to(device)は一つのmyに戻ります。tensiorの新しいコピーはGPUではなく、MY_を書き換えます。tensor彼に新しいテンソルを割り当ててGPUでこのテンソルを使う必要があります。多GPUでフィードフォワードを行うのは、フィードフォワード操作がとても自然です。それでもPyTorchはデフォルトでは一つのGPUしか使えません。Data Paralelを使ってモデルを並列に実行させることで、多GPU上であなたの操作を容易に実行することができます。
model = nn.DataParallel(model)
2.完全コード小さいデモを作って、モデルは入力を得るだけで、線形操作を行い、出力を与えます。
# -*- coding:utf-8 -*-
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
#
input_size = 5
output_size = 2
batch_size = 30
data_size = 100
#
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# ( getitem)
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)
#
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("\tIn Model: input size", input.size(), "output size", output.size())
return output
# , GPU。 GPU, nn.DataParallel 。 model.to(device) GPU 。
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)
# : 。
for data in rand_loader:
input = data.to(device)
output = model(input)
print("Outside: input size", input.size(),
"output_size", output.size())
GPUがない場合、またはGPUが一つしかない場合、30個の入力と30個の出力を取得すると、モデルは30個の入力と30個の出力を期待しています。Let's use 1 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])
GPUが2つあると、見られます。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])
もし8つのGPUがあったら、あなたは見ます。Let's use 8 GPUs!
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])
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([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([4, 5]) output size torch.Size([4, 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([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([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])
In Model: input size torch.Size([4, 5]) output size torch.Size([4, 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([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([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([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([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
In Model: input size torch.Size([2, 5]) output size torch.Size([2, 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])
締め括りをつけるデータは並列に自動的にデータを分割し、タスクシートを複数のGPUに送信します。各モデルが自分の任務を完了したら、DataPalelはこれらの結果を収集して統合して、またあなたに返します。