多GPU的简洁实现¶

:label:sec_multi_gpu_concise

每个新模型的并行计算都从零开始实现是无趣的。此外，优化同步工具以获得高性能也是有好处的。下面我们将展示如何使用深度学习框架的高级API来实现这一点。数学和算法与 :numref:sec_multi_gpu中的相同。本节的代码至少需要两个GPU来运行。

In [1]:

import torch
        from torch import nn
        from d2l import torch as d2l

[简单网络]¶

让我们使用一个比 :numref:sec_multi_gpu的LeNet更有意义的网络，它依然能够容易地和快速地训练。我们选择的是 :cite:He.Zhang.Ren.ea.2016中的ResNet-18。因为输入的图像很小，所以稍微修改了一下。与 :numref:sec_resnet的区别在于，我们在开始时使用了更小的卷积核、步长和填充，而且删除了最大汇聚层。

In [2]:

#@save
        def resnet18(num_classes, in_channels=1):
            """稍加修改的ResNet-18模型"""
            def resnet_block(in_channels, out_channels, num_residuals,
                             first_block=False):
                blk = []
                for i in range(num_residuals):
                    if i == 0 and not first_block:
                        blk.append(d2l.Residual(in_channels, out_channels,
                                                use_1x1conv=True, strides=2))
                    else:
                        blk.append(d2l.Residual(out_channels, out_channels))
                return nn.Sequential(*blk)
        
            # 该模型使用了更小的卷积核、步长和填充，而且删除了最大汇聚层
            net = nn.Sequential(
                nn.Conv2d(in_channels, 64, kernel_size=3, stride=1, padding=1),
                nn.BatchNorm2d(64),
                nn.ReLU())
            net.add_module("resnet_block1", resnet_block(
                64, 64, 2, first_block=True))
            net.add_module("resnet_block2", resnet_block(64, 128, 2))
            net.add_module("resnet_block3", resnet_block(128, 256, 2))
            net.add_module("resnet_block4", resnet_block(256, 512, 2))
            net.add_module("global_avg_pool", nn.AdaptiveAvgPool2d((1,1)))
            net.add_module("fc", nn.Sequential(nn.Flatten(),
                                               nn.Linear(512, num_classes)))
            return net

网络初始化¶

我们将在训练回路中初始化网络。请参见 :numref:sec_numerical_stability复习初始化方法。

In [3]:

net = resnet18(10)
        # 获取GPU列表
        devices = d2l.try_all_gpus()
        # 我们将在训练代码实现中初始化网络

[训练]¶

如前所述，用于训练的代码需要执行几个基本功能才能实现高效并行：

需要在所有设备上初始化网络参数；
在数据集上迭代时，要将小批量数据分配到所有设备上；
跨设备并行计算损失及其梯度；
聚合梯度，并相应地更新参数。

最后，并行地计算精确度和发布网络的最终性能。除了需要拆分和聚合数据外，训练代码与前几章的实现非常相似。

In [4]:

def train(net, num_gpus, batch_size, lr):
            train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
            devices = [d2l.try_gpu(i) for i in range(num_gpus)]
            def init_weights(m):
                if type(m) in [nn.Linear, nn.Conv2d]:
                    nn.init.normal_(m.weight, std=0.01)
            net.apply(init_weights)
            # 在多个GPU上设置模型
            net = nn.DataParallel(net, device_ids=devices)
            trainer = torch.optim.SGD(net.parameters(), lr)
            loss = nn.CrossEntropyLoss()
            timer, num_epochs = d2l.Timer(), 10
            animator = d2l.Animator('epoch', 'test acc', xlim=[1, num_epochs])
            for epoch in range(num_epochs):
                net.train()
                timer.start()
                for X, y in train_iter:
                    trainer.zero_grad()
                    X, y = X.to(devices[0]), y.to(devices[0])
                    l = loss(net(X), y)
                    l.backward()
                    trainer.step()
                timer.stop()
                animator.add(epoch + 1, (d2l.evaluate_accuracy_gpu(net, test_iter),))
            print(f'测试精度：{animator.Y[0][-1]:.2f}，{timer.avg():.1f}秒/轮，'
                  f'在{str(devices)}')

接下来看看这在实践中是如何运作的。我们先[在单个GPU上训练网络]进行预热。

In [5]:

train(net, num_gpus=1, batch_size=256, lr=0.1)

测试精度：0.93，12.2秒/轮，在[device(type='cuda', index=0)]

No description has been provided for this image

接下来我们[使用2个GPU进行训练]。与 :numref:sec_multi_gpu中评估的LeNet相比，ResNet-18的模型要复杂得多。这就是显示并行化优势的地方，计算所需时间明显大于同步参数需要的时间。因为并行化开销的相关性较小，因此这种操作提高了模型的可伸缩性。

In [6]:

train(net, num_gpus=2, batch_size=512, lr=0.2)

测试精度：0.67，7.4秒/轮，在[device(type='cuda', index=0), device(type='cuda', index=1)]

小结¶

神经网络可以在（可找到数据的）单GPU上进行自动评估。
每台设备上的网络需要先初始化，然后再尝试访问该设备上的参数，否则会遇到错误。
优化算法在多个GPU上自动聚合。

练习¶

本节使用ResNet-18，请尝试不同的迭代周期数、批量大小和学习率，以及使用更多的GPU进行计算。如果使用$16$个GPU（例如，在AWS p2.16xlarge实例上）尝试此操作，会发生什么？
有时候不同的设备提供了不同的计算能力，我们可以同时使用GPU和CPU，那应该如何分配工作？为什么？