国产美女主播视频一区_国产精品蜜臀在线观看_亚洲成人动漫一区_亚洲视屏在线播放

1、前言

近期做到的一些工作涉及到多卡訓練，不得不感慨深度學習真的是一個燒錢的活，順便記錄一下，主要記錄用法，不涉及實現原理。

2、單機多卡并行

官方DDP文檔：

GETTING STARTED WITH DISTRIBUTED DATA PARALLEL

(資料圖)

Github 倉庫:

Github 中文文檔

GETTING STARTED WITH DISTRIBUTED DATA PARALLEL

DataParallel

使用 nn.Dataarallel() 將模型變換一下，一行搞定

model = nn.DataParallel(model)

根據

為方便說明，我們假設模型輸入為(32, input_dim)，這里的 32 表示batch_size，模型輸出為(32, output_dim)，使用 4 個GPU訓練。nn.DataParallel起到的作用是將這 32 個樣本拆成 4 份，發送給 4 個GPU 分別做 forward，然后生成 4 個大小為(8, output_dim)的輸出，然后再將這 4 個輸出都收集到cuda:0上并合并成(32, output_dim)。可以看出，nn.DataParallel沒有改變模型的輸入輸出，因此其他部分的代碼不需要做任何更改，非常方便。但弊端是，后續的loss計算只會在cuda:0上進行，沒法并行，因此會導致負載不均衡的問題。

針對負載不均衡問題，一個緩解的方法是將 loss 放入模型內部計算，即在 forward 的時候計算 loss。

DistributedDatarallel

分布式數據并行方法，通過多進程實現。

1、從一開始就會啟動多個進程(進程數等于GPU數)，每個進程獨享一個GPU，每個進程都會獨立地執行代碼。這意味著每個進程都獨立地初始化模型、訓練，當然，在每次迭代過程中會通過進程間通信共享梯度，整合梯度，然后獨立地更新參數。2、每個進程都會初始化一份訓練數據集，通過DistributedSampler函數實現，即同樣的模型喂進去不同的數據做訓練，也就是所謂的數據并行。3、進程通過local_rank變量來標識自己，local_rank為0的為master，其他是slave。這個變量是torch.distributed包幫我們創建的，使用方法如下：

import argparse  parser = argparse.ArgumentParser()parser.add_argument("--local_rank", type=int, default=-1)args = parser.parse_args()

運行代碼

python -m torch.distributed.launch --nproc_per_node=4 --nnodes=1 train.py

其中，nnodes 表示節點數量，單機，即為1，nproc_per_node 為每個節點的進程數量，與 GPU 數量一致。

模型保存與加載TODO

3、遇到的問題

1、DistributedDataarallel 方法，有時候會出現進程卡死的問題，現象上即為顯卡的利用率卡在 100%，未啟動進程組，根據tjds排查是IO 虛擬化（也稱為 VT-d 或 IOMMU）啟用了ACS導致，具體原因參考 故障排除——NCCL2.16.2 文檔。

方法一：排查原因是BIOS里IO虛擬化（VT-d）默認啟動了PCI訪問控制服務（ACS）導致GPU間無法直接通過P2P方式通信，需在BIOS關閉此功能，具體操作參考 tjds

1、 查看ACS是否開啟執行 lspci -vvv | grep -I acsctl 如果有顯示SrcValid+說明已啟用ACS功能2、 添加iommu=pt參數到grub（此步驟應該可以跳過）編輯/etc/default/grub文件添加iommu=pt，再執行update-grub更新grub文件3、 關閉BIOS里ACS功能重啟操作系統開機時按 del 進入 BIOS 關閉 ACS 功能，不關 VT-d 只關閉 ACS 功能，具體路徑：Path: Advanced -> Chipset Configuration -> North Bridge -> IIO Configuration -> Intel VT for Directed I/O (VT-d) -> ACS Control -> Enable / Disable.4、 檢查ACS是否關閉執行lspci -vvv | grep -I acsctl 如果全顯示SrcValid-說明已關閉ACS功能

方法二：仍然使用 ‘nccl‘ 后端，禁用 GPU 的 P2P 通信。

torch.distributed.init_process_group(backend="ncll")

NCCL_P2P_DISABLE=1 CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 train.py 

嫌麻煩可以寫入 bashrc 環境變量。

方法三：更換后端為 ‘gloo’ , shell命令運行程序，縱享絲滑。

torch.distributed.init_process_group(backend="gloo")

CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 train.py 

缺點就是 gloo 的通信在我用的時候要比 nccl 慢很多。

2、如果訓練過程中使用了 Sampler 進行數據分發， dataloader 的 shuffle 不能設置為 True。

3、dataloader 設置 batch_size 時，注意盡量保證每次循環每張卡至少可以分到一個 sample，不然有時候會因某張卡等待輸入卡死。

4、我在訓練時，dataloader的 num_works 通過 CPU 幫助 GPU 加載數據能夠提升 GPU 利用率，倒是沒遇到報錯。

5、dataloader 的 pin_memory (鎖頁內存) 按道理是可以鎖住一部分內存，減少 CPU 內存拷貝的，但是我用的時候會極大降低 GPU 利用率，此處存疑。

待更新ing