【深度学习】多卡训练__单机多GPU详解（torch.nn.DataParallel、torch.distributed）
文章目录
- 【深度学习】多卡训练__单机多GPU详解（torch.nn.DataParallel、torch.distributed）
- 1. 介绍
- 2. 单机多GPUの方法
- 2.1 方法1：torch.nn.DataParallel
- 2.1.1 API
- 2.1.2 特点
- 2.1.3 例子与解释
- 2.1.4 说明
- 2.2 方法2：torch.nn.parallel.DistributedDataParallel
- 2.2.1 API
- 2.2.2 注意事项
- 2.2.3 主要代码（可以参照改成自己的）
- 2.2.4 对比
- 3. 单机多卡训练下的加速trick——梯度累加
- 4. 参考
1. 介绍
多GPU训练能够加快模型的训练速度，而且在单卡上不能训练的模型可以使用多个小卡达到训练的目的。
多GPU训练可以分为单机多卡和多机多卡这两种，后面一种也就是分布式训练——训练方式比较麻烦，而且要关注的性能问题也有很多，据网上的资料有人建议能单机训练最好单机训练，不要使用多机训练。本文主要对单机多卡训练的实现展开说明。
2. 单机多GPUの方法
2.1 方法1：torch.nn.DataParallel
这是最简单最直接的方法，代码中只需要一句代码就可以完成单卡多GPU训练了。其他的代码和单卡单GPU训练是一样的。
2.1.1 API
import torch torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)
参数：
- module：即模型，此处注意，虽然输入数据被均分到不同gpu上，但每个gpu上都要拷贝一份模型。
- device_ids：即参与训练的gpu列表，例如三块卡， device_ids = [0，1，2]。
- output_device：指定输出gpu，一般省略。在省略的情况下，默认为第一块卡，即索引为0的卡。此处有一个问题，输入计算是被几块卡均分的，但输出loss的计算是由这一张卡独自承担的，这就造成这张卡所承受的计算量要大于其他参与训练的卡。
- dim：其表示tensors被分散的维度，默认是0，nn.DataParallel将在dim0（批处理维度）中对数据进行分块，并将每个分块发送到相应的设备。
2.1.2 特点
- 优点：特别简单，实现起来容易；
- 缺点：也很明显，就是每个batch中，模型的权重都是在单一的线程上算出来的，然后分发到多个GPU上，这里就有一个GPU通信瓶颈，使得GPU的利用率不是很高，模型训练的速度也不快。
2.1.3 例子与解释
import torch net = torch.nn.Linear(100,1) print(net) print('---------------------') net = torch.nn.DataParallel(net, device_ids=[0,3]) print(net) '''输出''' Linear(in_features=10, out_features=1, bias=True) --------------------- DataParallel( (module): Linear(in_features=10, out_features=1, bias=True) )nn.DataParallel是怎么做的：
- 首先在前向过程中，
- 你的输入数据会被划分成多个子部分（以下称为副本）送到不同的device中进行计算，
- 而你的模型module是在每个device上进行复制一份，也就是说，输入的batch是会被平均分到每个device中去，但是你的模型module是要拷贝到每个devide中去的，每个模型module只需要处理每个副本即可，当然你要保证你的batch size大于你的gpu个数。
- 然后在反向传播过程中，每个副本的梯度被累加到原始模块中。
概括来说就是：DataParallel会自动帮我们将数据切分 load 到相应 GPU，将模型复制到相应 GPU，进行正向传播计算梯度并汇总。
还有一句话，官网中是这样描述的：
The parallelized module must have its parameters and buffers on device_ids[0] before running this DataParallel module.
意思是：在运行此DataParallel模块之前，并行化模块必须在device_ids [0]上具有其参数和缓冲区。在执行DataParallel之前，会首先把其模型的参数放在device_ids[0]上，一看好像也没有什么毛病，其实有个小坑。
- 举个例子，服务器是八卡的服务器，刚好前面序号是0的卡被别人占用着，于是你只能用其他的卡来，比如你用2和3号卡，如果你直接指定device_ids=[2, 3]的话会出现模型初始化错误，类似于module没有复制到在device_ids[0]上去。那么你需要在运行train之前需要添加如下两句话指定程序可见的devices，如下：
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID" os.environ["CUDA_VISIBLE_DEVICES"] = "2, 3"
当你添加这两行代码后，那么device_ids[0]默认的就是第2号卡，你的模型也会初始化在第2号卡上了，而不会占用第0号卡了。
- 也就是设置上面两行代码后，那么对这个程序而言可见的只有2和3号卡，和其他的卡没有关系，这是物理上的号卡，逻辑上来说其实是对应0和1号卡，即device_ids[0]对应的就是第2号卡，device_ids[1]对应的就是第3号卡。
当然你要保证上面这两行代码需要定义在下面这两行代码之前，一般放在train.py中import一些package之后：
device_ids = [0, 1] net = torch.nn.DataParallel(net, device_ids=device_ids)
优化器同样可以使用nn.DataParallel，如下两行代码：
optimizer = torch.optim.SGD(net.parameters(), lr=lr) optimizer = nn.DataParallel(optimizer, device_ids=device_ids)
2.1.4 说明
1）多GPU计算减少了程序运行的时间？
很多时候发现在进行多GPU运算时，程序花费的时间反而更多了，这其实是因为你的batch_size太小了，因为torch.nn.DataParallel()这个函数是将每个batch的数据平均拆开分配到多个GPU上进行计算，计算完再返回来合并。这导致GPU之间的开关和通讯过程占了大部分的时间开销。
我们可以使用 watch -n 1 nvidia-smi 这个命令来查看每1s各个GPU的运行情况，如果发现每个GPU的占用率均低于50%，基本可以肯定你使用多GPU计算所花的时间要比单GPU计算花的时间更长了。
2）如何保存和加载多GPU网络？
- 如何来保存和加载多GPU网络，它与普通网络有一点细微的不同：
import torch net = torch.nn.Linear(10,1) # 先构造一个网络 net = torch.nn.DataParallel(net, device_ids=[0,3]) #包裹起来 torch.save(net.module.state_dict(), './networks/multiGPU.h5') #保存网络 # 加载网络 new_net = torch.nn.Linear(10,1) new_net.load_state_dict(torch.load("./networks/multiGPU.h5"))因为DataParallel实际上是一个nn.Module，所以我们在保存时需要多调用了一个net.module，模型和优化器都需要使用net.module来得到实际的模型和优化器。
3）为什么第一块卡的显存会占用的更多一些？
最后一个参数output_device一般情况下是省略不写的，那么默认就是在device_ids[0]，也就是第一块卡上，也就解释了为什么第一块卡的显存会占用的比其他卡要更多一些。
- 也就是当你调用nn.DataParallel的时候，只是在你的input数据是并行的，但是你的output loss却不是这样的，每次都会在第一块GPU相加计算，这就造成了第一块GPU的负载远远大于剩余其他的显卡。
4）直接使用nn.DataParallel的时候，训练采用多卡训练，会出现一个warning？
UserWarning: Was asked to gather along dimension 0, but all input tensors were scalars; will instead unsqueeze and return a vector.
说明：
- 每张卡上的loss都是要汇总到第0张卡上求梯度，更新好以后把权重分发到其余卡。但是为什么会出现这个warning，这其实和nn.DataParallel中最后一个参数dim有关，
- 其表示tensors被分散的维度，默认是0，nn.DataParallel将在dim0（批处理维度）中对数据进行分块，并将每个分块发送到相应的设备。
- 单卡的没有这个warning，多卡的时候采用nn.DataParallel训练会出现这个warning，由于计算loss的时候是分别在多卡计算的，那么返回的也就是多个loss，你使用了多少个gpu，就会返回多少个loss。（有人建议DataParallel类应该有reduce和size_average参数，比如用于聚合输出的不同loss函数，最终返回一个向量，有多少个gpu，返回的向量就有几维。）
关于这个问题在pytorch官网的issues上有过讨论，下面简单摘出一些：
- 有人提出求loss平均的方式会在不同数量的gpu上训练会以微妙的方式影响结果。模块返回该batch中所有损失的平均值，如果在4个gpu上运行，将返回4个平均值的向量。然后取这个向量的平均值。但是，如果在3个GPU或单个GPU上运行，这将不是同一个数字，因为每个GPU处理的batch size不同！
- 举个简单的例子（就直接摘原文出来）：
A batch of 3 would be calculated on a single GPU and results would be [0.3, 0.2, 0.8] and model that returns the loss would return 0.43. If cast to DataParallel, and calculated on 2 GPUs, [GPU1 - batch 0,1], [GPU2 - batch 2] - return values would be [0.25, 0.8] (0.25 is average between 0.2 and 0.3) - taking the average loss of [0.25, 0.8] is now 0.525! Calculating on 3 GPUs, one gets [0.3, 0.2, 0.8] as results and average is back to 0.43!
这么求平均loss确实有不合理的地方。那么有什么好的解决办法呢，可以使用size_average=False，reduce=True作为参数。每个GPU上的损失将相加，但不除以GPU上的批大小。然后将所有平行损耗相加，除以整批的大小，那么不管几块GPU最终得到的平均loss都是一样的。
pytorch贡献者也实现了这个loss求平均的功能，即通过gather的方式来求loss平均：
https://github.com/pytorch/pytorch/pull/7973/commits/c285b3626a7a4dcbbddfba1a6b217a64a3f3f3be
如果它们在一个有2个GPU的系统上运行，DP将采用多GPU路径，调用gather并返回一个向量。如果运行时有1个GPU可见，DP将采用顺序路径，完全忽略gather，因为这是不必要的，并返回一个标量。
2.2 方法2：torch.nn.parallel.DistributedDataParallel
这种方法旨在缓解nn.DataParallel方法GPU使用效率低的问题。
- 这方法会使得GPU的显存分配更加平衡一点，
- 同时这个方法是多线程的，显卡的利用效率自然也就高一点。
2.2.1 API
1）首先第一步就是要进行init_process_group的初始化，声明GPU的NCCL通信方式。
import torch torch.distributed.init_process_group(backend='nccl')
2）其次，由于是多线程的，因此数据加载和模型加载也要做对应的修改如下：
train_data = ReadDataSet('train.tsv', args, sentences_count = None) train_sample = torch.utils.data.distributed.DistributedSampler(train_data) train_loader = DataLoader(dataset=train_data, batch_size=args.batch_size, shuffle=(train_sample is None), sampler=train_sample) model = nn.parallel.DistributedDataParallel(model, device_ids=[args.local_rank], find_unused_parameters=True) #多进程多GPU并行2.2.2 注意事项
1）首先就是代码使用bash脚本启动的时候是不一样的，要像下面这么定义：
CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 main_gpus.py \ # 后面加一些你要传入的参数
在 pyton关键字之前把可用显卡号用它CUDA_VISIBLE_DEVICES=0,1来指定；同时python关键字之后-m torch.distributed.launch --nproc_per_node=2 来指定 分布式启动和采用的节点数，也就是有几个显卡也就用几个节点。
2）其次就是日志信息的打印，在代码中直接打印的话就会打印nproc_per_node次指定的输出信息，这个时候就需要指定进程号。
if (step+1)%200 == 0 and args.local_rank==0: print('Train Epoch[{}/{}],step[{}/{}],tra_acc{:.6f} %,loss:{:.6f}'.format(epoch,epochs,step,len(train_iter),two_pro_train_acc*100,two_pro_loss))这样就只会打印进程为0的对应各种信息。
3）再次就是loss和准确率的合并，这里有多个线程，肯定就需要对一个batch中多个线程对应的不同loss和准确率进行合并。实现方式如下：
def reduce_tensor(tensor: torch.Tensor): rt = tensor.clone() dist.all_reduce(rt, op=dist.ReduceOp.SUM) rt /= dist.get_world_size() # 总进程数 return rt把各自的loss或者accuracy做分布式操作的加法，然后在求平均值。
4）最后，关于batch_size和lr的设置，这里一般可以采用batch_size = n*batch_size_base的方式；而lr = (1,n)*lr_base的方式。
2.2.3 主要代码（可以参照改成自己的）
import torch from torch import nn from unet.unet_transfer import UNet16, UNetResNet from pathlib import Path import torchvision.transforms as transforms from torch.utils.data import DataLoader, Dataset, random_split import torch.nn.functional as F from torch.autograd import Variable import shutil from data_loader import ImgDataSet import os import argparse import tqdm import numpy as np import scipy.ndimage as ndimage import torch.distributed as dist class AverageMeter(object): """Computes and stores the average and current value""" def __init__(self): self.reset() def reset(self): self.val = 0 self.avg = 0 self.sum = 0 self.count = 0 def update(self, val, n=1): self.val = val self.sum += val * n self.count += n self.avg = self.sum / self.count def create_model(type ='vgg16'): if type == 'vgg16': print('create vgg16 model') model = UNet16(pretrained=True) elif type == 'resnet101': encoder_depth = 101 num_classes = 1 print('create resnet101 model') model = UNetResNet(encoder_depth=encoder_depth, num_classes=num_classes, pretrained=True) elif type == 'resnet34': encoder_depth = 34 num_classes = 1 print('create resnet34 model') model = UNetResNet(encoder_depth=encoder_depth, num_classes=num_classes, pretrained=True) else: assert False model.eval() return model def adjust_learning_rate(optimizer, epoch, lr): """Sets the learning rate to the initial LR decayed by 10 every 30 epochs""" lr = lr * (0.1 ** (epoch // 30)) for param_group in optimizer.param_groups: param_group['lr'] = lr def find_latest_model_path(dir): model_paths = [] epochs = [] for path in Path(dir).glob('*.pt'): if 'epoch' not in path.stem: continue model_paths.append(path) parts = path.stem.split('_') epoch = int(parts[-1]) epochs.append(epoch) if len(epochs) > 0: epochs = np.array(epochs) max_idx = np.argmax(epochs) return model_paths[max_idx] else: return None def train(train_loader, model, criterion, optimizer, validation, args): latest_model_path = find_latest_model_path(args.model_dir) best_model_path = os.path.join(*[args.model_dir, 'model_best.pt']) if latest_model_path is not None: state = torch.load(latest_model_path) epoch = state['epoch'] model.load_state_dict(state['model']) epoch = epoch #if latest model path does exist, best_model_path should exists as well assert Path(best_model_path).exists() == True, f'best model path {best_model_path} does not exist' #load the min loss so far best_state = torch.load(latest_model_path) min_val_los = best_state['valid_loss'] print(f'Restored model at epoch {epoch}. Min validation loss so far is : {min_val_los}') epoch += 1 print(f'Started training model from epoch {epoch}') else: print('Started training model from epoch 0') epoch = 0 min_val_los = 9999 valid_losses = [] for epoch in range(epoch, args.n_epoch + 1): adjust_learning_rate(optimizer, epoch, args.lr) tq = tqdm.tqdm(total=(len(train_loader) * args.batch_size)) tq.set_description(f'Epoch {epoch}') losses = AverageMeter() model.train() for i, (input, target) in enumerate(train_loader): two_pro_loss = 0 input_var = Variable(input).cuda(args.local_rank, non_blocking=True) target_var = Variable(target).cuda(args.local_rank, non_blocking=True) masks_pred = model(input_var) masks_probs_flat = masks_pred.view(-1) true_masks_flat = target_var.view(-1) loss = criterion(masks_probs_flat, true_masks_flat) two_pro_loss += reduce_tensor(loss).item() # 有多个进程，把进程0和1的loss加起来平均 losses.update(two_pro_loss) tq.set_postfix(loss='{:.5f}'.format(losses.avg)) tq.update(args.batch_size) # compute gradient and do SGD step optimizer.zero_grad() loss.backward() optimizer.step() valid_metrics = validation(model, valid_loader, criterion) valid_loss = valid_metrics['valid_loss'] valid_losses.append(valid_loss) print(f'\tvalid_loss = {valid_loss:.5f}') tq.close() #save the model of the current epoch epoch_model_path = os.path.join(*[args.model_dir, f'model_epoch_{epoch}.pt']) torch.save({ 'model': model.state_dict(), 'epoch': epoch, 'valid_loss': valid_loss, 'train_loss': losses.avg }, epoch_model_path) if valid_loss 0)[:]) w = float(ncrack)/(m.shape[0]*m.shape[1]) avg_w = avg_w + (1-w) avg_w /= float(n_files) return avg_w / (1.0 - avg_w) if __name__ == '__main__': parser = argparse.ArgumentParser(description='PyTorch ImageNet Training') parser.add_argument('--n_epoch', default=10, type=int, metavar='N', help='number of total epochs to run') parser.add_argument('--lr', default=0.001, type=float, metavar='LR', help='initial learning rate') parser.add_argument('--momentum', default=0.9, type=float, metavar='M', help='momentum') parser.add_argument('--print_freq', default=20, type=int, metavar='N', help='print frequency (default: 10)') parser.add_argument('--weight_decay', default=1e-4, type=float, metavar='W', help='weight decay (default: 1e-4)') parser.add_argument('--batch_size', default=4, type=int, help='weight decay (default: 1e-4)') parser.add_argument('--num_workers', default=4, type=int, help='num_workers') parser.add_argument('--data_dir',type=str, default='dataset', help='input dataset directory') parser.add_argument('--model_dir', type=str, default='model', help='output model directory') parser.add_argument('--model_type', type=str, required=False, default='vgg16', choices=['vgg16', 'resnet101', 'resnet34']) parser.add_argument('--local_rank', type=int, default=-1) args = parser.parse_args() torch.cuda.set_device(args.local_rank) # os.environ['LOCAL_RANK'] = -1 dist.init_process_group(backend='nccl') os.makedirs(args.model_dir, exist_ok=True) DIR_IMG = os.path.join(args.data_dir, 'images') DIR_MASK = os.path.join(args.data_dir, 'masks') img_names = [path.name for path in Path(DIR_IMG).glob('*.jpg')] mask_names = [path.name for path in Path(DIR_MASK).glob('*.jpg')] print(f'total images = {len(img_names)}') model = create_model(args.model_type) optimizer = torch.optim.SGD(model.parameters(), args.lr, momentum=args.momentum, weight_decay=args.weight_decay) criterion = nn.BCEWithLogitsLoss().cuda() # ori channel_means = [0.485, 0.456, 0.406] channel_stds = [0.229, 0.224, 0.225] # dam # channel_means = [0.595, 0.608, 0.604] # channel_stds = [0.047, 0.047, 0.047] train_tfms = transforms.Compose([transforms.ToTensor(), transforms.Normalize(channel_means, channel_stds)]) val_tfms = transforms.Compose([transforms.ToTensor(), transforms.Normalize(channel_means, channel_stds)]) mask_tfms = transforms.Compose([transforms.ToTensor()]) dataset = ImgDataSet(img_dir=DIR_IMG, img_fnames=img_names, img_transform=train_tfms, mask_dir=DIR_MASK, mask_fnames=mask_names, mask_transform=mask_tfms) train_size = int(0.85*len(dataset)) valid_size = len(dataset) - train_size train_dataset, valid_dataset = random_split(dataset, [train_size, valid_size]) train_sample = torch.utils.data.distributed.DistributedSampler(train_dataset) valid_sample = torch.utils.data.distributed.DistributedSampler(valid_dataset) train_loader = DataLoader(train_dataset, args.batch_size, shuffle=False, num_workers=args.num_workers, sampler=train_sample) valid_loader = DataLoader(valid_dataset, args.batch_size, shuffle=False, num_workers=args.num_workers, sampler=valid_sample) model.cuda(args.local_rank) train(train_loader, model, criterion, optimizer, validate, args)！！！！！！！你可能会运行出错，记得一定要按照下面的去运行代码！！！！！！！！！
CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 main_gpus.py \ # 后面加一些你要传入的参数
2.2.4 对比
我自己的跑成功了，但是还是很慢，不过由原来的3小时变成52min一个epoch。
这里直接贴上 这位大佬 的对比吧。
- 单GPU batch_size = 8 lr_base
时间为208s，验证集最高准确率是59.2%
-
多GPU batch_size = 16 lr=[1,n]*lr_base（方法：nn.DataParallel(model)）
其实在每个forward中batch_size 是8;按照经验来说lr应该是要扩大相应的倍数的
总时间是140s，最高准确率是61.4%，相比单卡速度提升了48.6%，耗费时间减少了32.7%。
- 多进程多GPU并行 batch_size = 8 lr=lr_base （方法：model=nn.parallel.DistributedDataParallel(model,device_ids=[args.local_rank])）
这里的lr并没有变化
时间118s，速度提升了76.3%，耗费时间减少了43.3%，验证集准确率62.8%
如果要采用单机多卡训练模型，无疑是采用nn.parallel.DistributedDataParallel这种方式，速度最快；有限时间内，训练效果最好。
3. 单机多卡训练下的加速trick——梯度累加
单机多卡训练模型加速方式有采用混合精度和梯度累加等。这里只有梯度累加能够起加速作用的训练是多卡训练才能享受到的，单卡并不能加速。简单的分析就是，多卡训练需要一个梯度同步的过程，就是GPU之间在每一个batch的计算上都会进行通信，这个时间就会导致训练处于等待状态。而梯度累加就是变相增大batch_size，减小batch数目，从而减少GPU之间的通信，起到加速作用。当然梯度累加的代码实现也比较简单，正常的训练代码：
for i, (inputs, labels) in enumerate(training_set): loss = model(inputs, labels) # 计算loss optimizer.zero_grad() # 清空梯度 loss.backward() # 反向计算梯度 optimizer.step() # 更新参数
使用梯度累加：
for i, (inputs, labels) in enumerate(training_set): loss = model(inputs, labels) # 计算loss loss = loss / accumulation_steps # Normalize our loss (if averaged) loss.backward() # 反向计算梯度，累加到之前梯度上 if (i+1) % accumulation_steps == 0: optimizer.step() # 更新参数 model.zero_grad() # 清空梯度当然这里的效果取决于模型的大小，模型越大收益越大。
下面是采用robert_large模型、2张3090显卡做文本2分类的一个速度(1W训练集和1K验证集)：
单机多卡 --accumulation_steps 2 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 686.4237 tra_acc73.325002 %,dev_acc76.400002 %,best_dev_acc76.400002 % ******************************************************************************* --accumulation_steps 5 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 578.8834 tra_acc73.329997 %,dev_acc75.500000 %,best_dev_acc76.100006 % ******************************************************************************* --accumulation_steps 10 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 579.5692 tra_acc71.015000 %,dev_acc75.400402 %,best_dev_acc77.300002 % ******************************************************************************* --accumulation_steps 20 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 613.6300s tra_acc64.775002 %,dev_acc78.199997 %,best_dev_acc78.199997 % ******************************************************************************* --accumulation_steps 20 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 580.7058 tra_acc64.754999 %,dev_acc77.400002 %,best_dev_acc77.400002 % ******************************************************************************* --accumulation_steps 50 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 621.0073 tra_acc53.034997 %,dev_acc71.900002 %,best_dev_acc71.900002 % ******************************************************************************* --accumulation_steps 80 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 568.5933 tra_acc43.325001 %,dev_acc67.199997 %,best_dev_acc67.199997 % ******************************************************************************* --accumulation_steps 80 roberta_large textclassification task train and dev 2 epochs with grad accmulation time is 575.0746 tra_acc44.005001 %,dev_acc67.500000 %,best_dev_acc67.500000 % ******************************************************************************* --accumulation_steps 0 roberta_large textclassification task train and dev 2 epochs time is 718.4363s tra_acc74.285001 %,dev_acc73.199997 %,best_dev_acc73.199997 % ******************************************************************************* --accumulation_steps 0 roberta_large textclassification task train and dev 2 epochs time is 694.9744 tra_acc74.559999 %,dev_acc74.000000 %,best_dev_acc74.000000 % 单卡单GPU ******************************************************************************* trian and eval model time is 1023.3577s tra_acc64.715000 %,dev_acc71.400000 %,best_dev_acc71.400000 % ******************************************************************************* trian and eval model time is 1034.7063 tra_acc72.760000 %,dev_acc74.300000 %,best_dev_acc74.300000 % ******************************************************************************* 结论： 单卡3090耗时：1029s 双卡3090耗时：707s——提升：45.5% 双卡3090+梯度累加耗时： 580s——提升77.4%，21.9%
可以看到在当前数据集和模型的情况下，accumulation_step = 10 可以取得最好的效果，相对于单卡提速77.4%；双卡梯度累加相对于双卡不采用梯度累加提速21.9%，前提是模型的准确率并没有降低。这个trick就很好用了。
4. 参考
【1】https://blog.csdn.net/HUSTHY/article/details/108226256
【2】https://zhuanlan.zhihu.com/p/86441879
【3】https://zhuanlan.zhihu.com/p/145427849
【4】https://blog.csdn.net/qq_38410428/article/details/119392993
【5】https://blog.csdn.net/wangkaidehao/article/details/104411682
【6】https://zhuanlan.zhihu.com/p/102697821
- 多进程多GPU并行 batch_size = 8 lr=lr_base （方法：model=nn.parallel.DistributedDataParallel(model,device_ids=[args.local_rank])）
-
- 单GPU batch_size = 8 lr_base
- 每张卡上的loss都是要汇总到第0张卡上求梯度，更新好以后把权重分发到其余卡。但是为什么会出现这个warning，这其实和nn.DataParallel中最后一个参数dim有关，
- 也就是当你调用nn.DataParallel的时候，只是在你的input数据是并行的，但是你的output loss却不是这样的，每次都会在第一块GPU相加计算，这就造成了第一块GPU的负载远远大于剩余其他的显卡。
- 如何来保存和加载多GPU网络，它与普通网络有一点细微的不同：
- 也就是设置上面两行代码后，那么对这个程序而言可见的只有2和3号卡，和其他的卡没有关系，这是物理上的号卡，逻辑上来说其实是对应0和1号卡，即device_ids[0]对应的就是第2号卡，device_ids[1]对应的就是第3号卡。
- 举个例子，服务器是八卡的服务器，刚好前面序号是0的卡被别人占用着，于是你只能用其他的卡来，比如你用2和3号卡，如果你直接指定device_ids=[2, 3]的话会出现模型初始化错误，类似于module没有复制到在device_ids[0]上去。那么你需要在运行train之前需要添加如下两句话指定程序可见的devices，如下：
- 首先在前向过程中，
