Pytorch distributed 多卡并行載入模型操作

更新時(shí)間：2021年06月05日 10:09:20 作者：orientliu96

這篇文章主要介紹了Pytorch distributed 多卡并行載入模型操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教

一、Pytorch distributed 多卡并行載入模型

這次來介紹下如何載入模型。

目前沒有找到官方的distribute 載入模型的方式，所以采用如下方式。

大部分情況下，我們?cè)跍y(cè)試時(shí)不需要多卡并行計(jì)算。

所以，我在測(cè)試時(shí)只使用單卡。

from collections import OrderedDict
device = torch.device("cuda")
model = DGCNN(args).to(device)  #自己的模型
state_dict = torch.load(args.model_path)    #存放模型的位置

new_state_dict = OrderedDict()
for k, v in state_dict.items():
    name = k[7:] # remove `module.`
    new_state_dict[name] = v
    # load params
model.load_state_dict (new_state_dict)

二、pytorch DistributedParallel進(jìn)行單機(jī)多卡訓(xùn)練

One_導(dǎo)入庫(kù)：

import torch.distributed as dist
from torch.utils.data.distributed import DistributedSampler

Two_進(jìn)程初始化：

parser = argparse.ArgumentParser()
parser.add_argument('--local_rank', type=int, default=-1)
# 添加必要參數(shù)
# local_rank：系統(tǒng)自動(dòng)賦予的進(jìn)程編號(hào)，可以利用該編號(hào)控制打印輸出以及設(shè)置device

torch.distributed.init_process_group(backend="nccl", init_method='file://shared/sharedfile',
rank=local_rank, world_size=world_size)

# world_size：所創(chuàng)建的進(jìn)程數(shù)，也就是所使用的GPU數(shù)量
# （初始化設(shè)置詳見參考文檔）

Three_數(shù)據(jù)分發(fā)：

dataset = datasets.ImageFolder(dataPath)
data_sampler = DistributedSampler(dataset, rank=local_rank, num_replicas=world_size)
# 使用DistributedSampler來為各個(gè)進(jìn)程分發(fā)數(shù)據(jù)，其中num_replicas與world_size保持一致，用于將數(shù)據(jù)集等分成不重疊的數(shù)個(gè)子集

dataloader = DataLoader(dataset, batch_size=batch_size, num_workers=1,drop_last=True, pin_memory=True, sampler=data_sampler)
# 在Dataloader中指定sampler時(shí)，其中的shuffle必須為False，而DistributedSampler中的shuffle項(xiàng)默認(rèn)為True，因此訓(xùn)練過程默認(rèn)執(zhí)行shuffle

Four_網(wǎng)絡(luò)模型：

torch.cuda.set_device(local_rank)
device = torch.device('cuda:'+f'{local_rank}')
# 設(shè)置每個(gè)進(jìn)程對(duì)應(yīng)的GPU設(shè)備

D = Model()
D = torch.nn.SyncBatchNorm.convert_sync_batchnorm(D).to(device)
# 由于在訓(xùn)練過程中各卡的前向后向傳播均獨(dú)立進(jìn)行，因此無法進(jìn)行統(tǒng)一的批歸一化，如果想要將各卡的輸出統(tǒng)一進(jìn)行批歸一化，需要將模型中的BN轉(zhuǎn)換成SyncBN
   
D = torch.nn.parallel.DistributedDataParallel(
D, find_unused_parameters=True, device_ids=[local_rank], output_device=local_rank)
# 如果有forward的返回值如果不在計(jì)算loss的計(jì)算圖里，那么需要find_unused_parameters=True，即返回值不進(jìn)入backward去算grad，也不需要在不同進(jìn)程之間進(jìn)行通信。

Five_迭代：

data_sampler.set_epoch(epoch)
# 每個(gè)epoch需要為sampler設(shè)置當(dāng)前epoch

Six_加載：

dist.barrier()
D.load_state_dict(torch.load('D.pth'), map_location=torch.device('cpu'))
dist.barrier()
# 加載模型前后用dist.barrier()來同步不同進(jìn)程間的快慢

Seven_啟動(dòng)：

CUDA_VISIBLE_DEVICES=1,3 python -m torch.distributed.launch --nproc_per_node=2 train.py --epochs 15000 --batchsize 10 --world_size 2
# 用-m torch.distributed.launch啟動(dòng)，nproc_per_node為所使用的卡數(shù)，batchsize設(shè)置為每張卡各自的批大小

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: