电脑基础 · 2023年4月3日

PyTorch使用多GPU并行训练及其原理和注意事项

1. 常见的多GPU使用方法

PyTorch使用多GPU并行训练及其原理和注意事项

  • 模型并行(model parallel) -> 大型网络(对速度没有提升)
    当模型需要的显卡很大,一张GPU的显存放不下时,使用这种方式就可以训练一个大型的网络
  • 数据并行(data parallel)-> 加速训练速度
    可以将整个模型放到一张GPU时,我们可以将每一个模型放到每一个GPU上,让它们同时进行训练(正向传播+反向传播)

2. 训练速度与GPU数量之间的关系

性能实测:数据来源霹雳巴拉WZ

  • PyTorch 1.7
  • CUDA:10.1
  • Model:ResNet-34
  • Dataset:flower_photos(非常小的一个数据集)
  • BatchSize:16
  • Optimizer:SGD
  • GPU:Tesla V100(上一代卡皇)

PyTorch使用多GPU并行训练及其原理和注意事项

从上图我们可以看到,训练速度和GPU数量并不是简单的倍乘关系。随着GPU数量的增加,提速效果越来越差,这时因为不同GPU之间需要进行通信,会有性能的损耗。

3. 重点

  1. 数据集如何在不同设备间分配
  2. 误差梯度如何在不同设备之间通信
  3. Batch Normalization如何在不同设备之间同步

3.1 数据集分配

3.2 误差通信

在使用多GPU训练时,每张GPU在进行完一个step后会产生梯度,我们需要将所有GPU的梯度求平均(并不是每张GPU各自学各自的,那样就没有意义了),这样才能将每张GPU的训练结果结合在一起。

3.3 BN同步

PyTorch使用多GPU并行训练及其原理和注意事项

假设BS=2,feature1和feature2是网络中的某一层经过卷积操作后得到特征图,因为BS=2,所以有两个feature。在正向传播过程中,BN会求特征矩阵每一个channel的均值和方差,再对每个通道上的数据进行“减均值除标准差”的操作,这样就得到经过BN的特征图了。


PyTorch使用多GPU并行训练及其原理和注意事项

当我们使用多GPU训练时,每个GPU都会计算各自的均值和方差。这里我们同样假设每个GPU上数据的BS=2,那么每个BN层求的均值
μ
i
\mu_i
μi
和方差
σ
i
2
\sigma^2_i
σi2
都是针对两个特征图而言的。

之前我们说过,BS越大,BN求的均值和方差越接近全体样本,准确率越高。

所以如果我们使用多GPU训练,我们就应该考虑“我们是不是应该去求每一个BN层在所有设备上的均值和方差”。这样我们所求得的均值和方差是更加有意义的。

如果我们不考虑多GPU之间BN的参数关系,那么我们所求得的BN层的均值和方差都是针对输入的两个样本(BS=2)求解的。

如果我们考虑到另外的设备呢?

GPU1的BN层得到两个特征图1和2,GPU2的BN层得到两个特征图3和4。如果我们求的BN参数是特征图12+34,那么我们的BN就变相等于在BS=4的情况下求得的均值和方差。这样对我们最终训练的结果是有一定帮助的。

霹雳巴拉WZ说,如果不使用同步的BN(即普通的nn.BatchNorm),那么得到的结果和使用单GPU的结果基本上是一致的。
当然,使用不同BN的多GPU也对模型的训练速度有很大的帮助
如果使用了同步的BN后,最终结果一般会有将近一个点的提升
所有同步的BN确实的有一定的作用

如果你的GPU显存很大,本来在一张GPU上就可以很大的BS,那么使用同步的BN也不会有很大的作用。

同步BN主要用在:网络比较大,一张GPU它的BS不能设置很大的情况下,同步的BN对准确率的帮助比较大。

注意:使用了具有同步BN的方法,多GPU的并行速度会下降。可能会降低30%的速度。

  • 想要更快的速度 -> 不使用同步的BN
  • 更高的精度 -> 使用同步的BN

4. PyTorch实现多卡并行计算的方式

分为两种:

  1. DataParallel
    PyTorch官方很久之前给出的一种方案
  2. DistributedDataParallel
    更新一代的多卡训练方法

DDP不仅仅局限于单机多卡的情况,还适用于多级多卡的场景。

  1. PyTorch关于DP的文档
  2. [PyTorch关于DDP的文档](DistributedDataParallel — PyTorch 1.11.0 documentation)

PyTorch使用多GPU并行训练及其原理和注意事项

  • DP是一个单进程、多线程并且仅仅只能工作在单一的设备中(单节点,不适用于多机的情况)
  • DDP是一个多进程的,可以工作在单机或者多机的场景中
  • DP通常要慢于DDP(即便在单一的设备上)

这里所说的单机和多机并不是单GPU和多GPU,而是单个服务器和多个服务器的意思


DP和DDP都可以用在单机的情况下,单DDP可以用在多机的情况下,而且即便在单机下(一台机器有多个GPU),DDP的速度也要比DP的速度快。

[PyTorch关于单机多卡和多级多卡的训练教程](PyTorch Distributed Overview — PyTorch Tutorials 1.11.0+cu102 documentation)

5. PyTorch中使用多GPU训练的常用启动方式

  1. torch.distributed.launch:代码量少,启动速度快

    python -m torch.distributed.launch
    # -m: run library module as a script
    # --help: 可以通过`torch.distributed.launch --help`这样真的方式去查看使用方法
    

    在PyTorch官方实现的Faster R-CNN源码中,多GPU训练就是使用distributed.launch进行启动的,因此后面将的主要基于distributed.launch来启动

  2. torch.multiprocessing:代码量更多,但拥有更好的控制和灵活性


注意事项:

  • 在使用torch.distributed.launch的方法进行训练。一旦训练开始后,手动强制终止训练程序(ctrl + c),会有小概率出现进程没有杀掉的情况。
    此时程序还会占用GPU的显存以及资源。所以需要我们将这些进程kill -9

5.1 单机单卡的训练脚本

5.1.1 main

"""
    单机单卡的训练脚本 —— 训练ResNet34/101
"""
import os
import math
import argparse
import torch
import torch.optim as optim
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
import torch.optim.lr_scheduler as lr_scheduler
from model import resnet34, resnet101
from my_dataset import MyDataSet
from utils import read_split_data
from multi_train_utils.train_eval_utils import train_one_epoch, evaluate
def main(args):
    # 检查机器的配置(是否有GPU,没有GPU则为CPU)
    device = torch.device(args.device if torch.cuda.is_available() else "cpu")
    print(args)  # 打印传入的参数
    print('Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/')
    tb_writer = SummaryWriter()  # 创建Tensorborad对象
    if os.path.exists("./weights") is False:  # 检查保存权值文件的文件夹是否存在,不存在则创建该文件夹
        os.makedirs("./weights")
    train_info, val_info, num_classes = read_split_data(args.data_path)
    train_images_path, train_images_label = train_info
    val_images_path, val_images_label = val_info
    # check num_classes
    assert args.num_classes == num_classes, "dataset num_classes: {}, input {}".format(args.num_classes,
                                                                                       num_classes)
    data_transform = {
        "train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
        "val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}
    # 实例化训练数据集
    train_data_set = MyDataSet(images_path=train_images_path,
                               images_class=train_images_label,
                               transform=data_transform["train"])
    # 实例化验证数据集
    val_data_set = MyDataSet(images_path=val_images_path,
                             images_class=val_images_label,
                             transform=data_transform["val"])
    batch_size = args.batch_size
    # 根据BS的数量和训练设备CPU核心数来定义num_worker的大小
    nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])  # number of workers
    print('Using {} dataloader workers every process'.format(nw))
    # 读取训练数据
    train_loader = torch.utils.data.DataLoader(train_data_set,
                                               batch_size=batch_size,
                                               shuffle=True,
                                               pin_memory=True,
                                               num_workers=nw,
                                               collate_fn=train_data_set.collate_fn)
    # 读取验证数据
    val_loader = torch.utils.data.DataLoader(val_data_set,
                                             batch_size=batch_size,
                                             shuffle=False,
                                             pin_memory=True,
                                             num_workers=nw,
                                             collate_fn=val_data_set.collate_fn)
    # 定义模型对象并添加到所属设备中
    model = resnet34(num_classes=args.num_classes).to(device)
    # 如果存在预训练权重则载入
    if args.weights != "":
        if os.path.exists(args.weights):
            # 先使用torch.load加载指定文件中的权重
            weights_dict = torch.load(args.weights, map_location=device)
            # 只加载key和value元素相等的键值对
            load_weights_dict = {k: v for k, v in weights_dict.items()
                                 if model.state_dict()[k].numel() == v.numel()}
            # 1. 模型加载字典(不严格加载);2. 打印
            print(model.load_state_dict(load_weights_dict, strict=False))
        else:
            raise FileNotFoundError("not found weights file: {}".format(args.weights))
    # 是否冻结权重
    if args.freeze_layers:
        for name, para in model.named_parameters():  # name: 层的名字; para: 对应的参数
            # 除最后的全连接层外,其他权重全部冻结
            if "fc" not in name:  # 除了fc层外,所有层的参数都没有梯度(不进行反向传播,即不进行参数更新)
                para.requires_grad_(False)
    # 将带有梯度的参数传入pg这个list中
    pg = [p for p in model.parameters() if p.requires_grad]
    # 定义参数优化器,第一个参数即为需要更新的参数,也就是上一行pg列表中的结果
    optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)
    # 定义学习率变化函数,参考:Scheduler https://arxiv.org/pdf/1812.01187.pdf -> 其实就是一个余弦函数[0, pi]
    lf = lambda x: ((1 + math.cos(x * math.pi / args.epochs)) / 2) * (1 - args.lrf) + args.lrf  # cosine
    # scheduler即为调整学习率变化的对象,将优化器和学习率变化曲线传给它就可以实现学习率的规律性变化
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)
    # 开始迭代训练
    for epoch in range(args.epochs):
        # train
        """
            可以看到,这里的train阶段只是返回平均loss,没有预测概率
        """
        mean_loss = train_one_epoch(model=model,
                                    optimizer=optimizer,
                                    data_loader=train_loader,
                                    device=device,
                                    epoch=epoch)
        # epoch进行了一个,学习率变化器需要更新一下(使得optimizer中的学习率进行变化)
        scheduler.step()
        # validate
        sum_num = evaluate(model=model,
                           data_loader=val_loader,
                           device=device)
        acc = sum_num / len(val_data_set)  # top-1准确率 = 预测正确数 / 验证样本数
        # 打印该epoch下的准确率
        print("[epoch {}] accuracy: {}".format(epoch, round(acc, 3)))
        # 将train和validation得到的数据添加到tensorboard中
        # optimizer.param_groups[0]["lr"]即为对应epoch的学习率
        tags = ["loss", "accuracy", "learning_rate"]
        tb_writer.add_scalar(tags[0], mean_loss, epoch)
        tb_writer.add_scalar(tags[1], acc, epoch)
        tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)
        # 保存对应epoch的模型(这里没有选择最佳模型,可以通过acc达到只保留准确率高的权值文件)
        torch.save(model.state_dict(), "./weights/model-{}.pth".format(epoch))
if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--num_classes', type=int, default=5)
    parser.add_argument('--epochs', type=int, default=30)
    parser.add_argument('--batch-size', type=int, default=16)
    parser.add_argument('--lr', type=float, default=0.001)
    # lrf为倍率因子,即学习率最终降低到初始学习率lr的多少倍。
    # 最终学习率为lr * lrf
    parser.add_argument('--lrf', type=float, default=0.1)
    # 数据集所在根目录
    # http://download.tensorflow.org/example_images/flower_photos.tgz
    parser.add_argument('--data-path', type=str,
                        default="/home/w180662/my_project/my_github/data_set/flower_data/flower_photos")
    # resnet34 官方权重下载地址
    # https://download.pytorch.org/models/resnet34-333f7ec4.pth
    parser.add_argument('--weights', type=str, default='resNet34.pth',
                        help='initial weights path')  # 为""表示不使用预训练模型
    parser.add_argument('--freeze-layers', type=bool, default=False)
    parser.add_argument('--device', default='cuda', help='device id (i.e. 0 or 0,1 or cpu)')
    opt = parser.parse_args()
    main(opt)

5.1.2 train_eval_utils

import sys
from tqdm import tqdm
import torch
from multi_train_utils.distributed_utils import reduce_value, is_main_process
def train_one_epoch(model, optimizer, data_loader, device, epoch):
    model.train()  # 声明模型的状态
    loss_function = torch.nn.CrossEntropyLoss()  # 定义损失函数
    mean_loss = torch.zeros(1).to(device)  # 生成shape为[1, ]的全零矩阵,并添加到对应的设备中 -> 用于存储后续计算得到mean_loss
    # 清空优化器中的梯度残留
    optimizer.zero_grad()
    # 在进程0中打印训练进度
    if is_main_process():  # 判断是否为主进程
        # 使用tqdm库包装一下data_loader这个变量,一会儿在遍历data_loader时就会打印一个进度条
        data_loader = tqdm(data_loader, file=sys.stdout)
    # 迭代data_loader,获取step和对应的数据
    """
        在data_loader中就定义了BS的大小, 所以这里step就是$step = 所有图片的数量 / BS$
        step即为BS的数量, 每走过一次step即为处理了BS张图片
        第1个step对应第1个bs
        第2个step对应第2个bs
        第3个step对应第3个bs
        ...
    """
    for step, data in enumerate(data_loader):
        images, labels = data  # data包含两部分数据:1. 预处理后的图片;2. 对应的真实标签
        # 通过正向传播获取图片的预测结果
        pred = model(images.to(device))
        # 根据预测结果与真实标签计算loss
        loss = loss_function(pred, labels.to(device))
        # 对loss进行反向传播
        loss.backward()
        # 对loss进行求平均处理
        """
            reduce_value:
                def reduce_value(value, average=True):
                    world_size = get_world_size()
                    if world_size < 2:  # 单GPU的情况
                        return value  # 原值返回
                    with torch.no_grad():
                        dist.all_reduce(value)
                        if average:
                            value /= world_size  # 需要除以GPU数量后再返回
                        return value
        """
        loss = reduce_value(loss, average=True)
        # 对历史损失求平均
        mean_loss = (mean_loss * step + loss.detach()) / (step + 1)  # update mean losses
        # 在进程0中打印平均loss
        if is_main_process():  # 判断是否为主进程
            data_loader.desc = "[epoch {}] mean loss {}".format(epoch, round(mean_loss.item(), 3))
        # 判断loss是否为有限数据(不能是infty)
        if not torch.isfinite(loss):
            print('WARNING: non-finite loss, ending training ', loss)
            sys.exit(1)  # 如果loss为无穷,则退出训练
        optimizer.step()  # 参数优化器进行参数更新
        optimizer.zero_grad()  # 参数优化器更新完参数后,需要将梯度清空
    # 等待所有进程计算完毕
    if device != torch.device("cpu"):
        torch.cuda.synchronize(device)  # 等待CUDA设备上所有流中的所有内核完成。
    # 返回计算求得的平均loss
    return mean_loss.item()
"""
    这里使用了@torch.no_grad()这个装饰器对该方法进行修改,也可以使用 with torch.no_grad: 这个上下文管理器
"""
@torch.no_grad()
def evaluate(model, data_loader, device):
    model.eval()  # 声明模型状态 -> 1. 关闭BN; 2. Dropout
    # 用于存储预测正确的样本个数
    sum_num = torch.zeros(1).to(device)
    # 在进程0中打印验证进度
    if is_main_process():
        data_loader = tqdm(data_loader, file=sys.stdout)  # 在主进程中包装dataloader
    for step, data in enumerate(data_loader):
        images, labels = data
        pred = model(images.to(device))  # 获取预测概率
        pred = torch.max(pred, dim=1)[1]  # 获取预测概率最的max
        """
        torch.eq(tensor, tensor/value)
        对两个张量Tensor进行逐元素的比较,若相同位置的两个元素相同,则返回True;若不同,返回False。
        """
        sum_num += torch.eq(pred, labels.to(device)).sum()  # 计算所有预测正确的数量
    # 等待所有进程计算完毕
    if device != torch.device("cpu"):
        torch.cuda.synchronize(device)
    sum_num = reduce_value(sum_num, average=False)  # 统计所有预测正确的数量
    return sum_num.item()

5.2 分布式训练

5.2.1 main

from cgi import test
import os
import math
import tempfile
import argparse
import torch
import torch.optim as optim
import torch.optim.lr_scheduler as lr_scheduler
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms
from model import resnet34
from my_dataset import MyDataSet
from utils import read_split_data, plot_data_loader_image
from multi_train_utils.distributed_utils import init_distributed_mode, dist, cleanup
from multi_train_utils.train_eval_utils import train_one_epoch, evaluate
def main(args):
    if torch.cuda.is_available() is False:  # 没有GPU设备会直接报错
        raise EnvironmentError("not find GPU device for training.")
    # 初始化各进程环境 -> args容器中多了几个参数:1. args.rank; 2. args.world_size; 3. args.gpu
    init_distributed_mode(args=args)
    # 将args中新增的DDP参数赋值到全局变量中
    rank = args.rank
    device = torch.device(args.device)
    batch_size = args.batch_size
    weights_path = args.weights
    """
        当我们在使用多GPU并行训练时,梯度一般是将多块GPU的梯度求平均。
            在原本的单卡上,我们的每学习一个step,梯度前进1m(这里是为了方便理解),如果学习两部,则梯度前进2m
            假设我们的GPU数量为2。那么我们看起来是学习了一步,但因为有2块GPU,所以是两块一起运算,那么就是一次性
            算了两个step,但更新时我们对梯度进行了平均,所以这2个step的值只更新了依次,意味着梯度只前进了1m
            学习率变相地降低了,所以我们需要扩大学习率
    """
    args.lr *= args.world_size  # 学习率要根据并行GPU的数量进行倍增 -> 这里是简单粗暴的增大学习率
    """
        使用DDP时,一般的写入操作、打印操作都是放在第一个进程(主进程)中操作的(没有必要在每一个进程中执行相同的操作)
    """
    if rank == 0:  # 在第一个进程中打印信息,并实例化tensorboard(只在第一个进程中打印参数)
        print(args)
        print('Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/')
        tb_writer = SummaryWriter()
        if os.path.exists("./weights") is False:
            os.makedirs("./weights")
    train_info, val_info, num_classes = read_split_data(args.data_path)
    train_images_path, train_images_label = train_info
    val_images_path, val_images_label = val_info
    # check num_classes
    assert args.num_classes == num_classes, "dataset num_classes: {}, input {}".format(args.num_classes,
                                                                                       num_classes)
    data_transform = {
        "train": transforms.Compose([transforms.RandomResizedCrop(224),
                                     transforms.RandomHorizontalFlip(),
                                     transforms.ToTensor(),
                                     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])]),
        "val": transforms.Compose([transforms.Resize(256),
                                   transforms.CenterCrop(224),
                                   transforms.ToTensor(),
                                   transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])}
    # 实例化训练数据集
    train_data_set = MyDataSet(images_path=train_images_path,
                               images_class=train_images_label,
                               transform=data_transform["train"])
    # 实例化验证数据集
    val_data_set = MyDataSet(images_path=val_images_path,
                             images_class=val_images_label,
                             transform=data_transform["val"])
    # 给每个rank对应的进程分配训练的样本索引
    train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
    val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)
    # 将样本索引每batch_size个元素组成一个list
    # BatchSampler是对train_sampler做进一步的处理
    train_batch_sampler = torch.utils.data.BatchSampler(train_sampler,
                                                        batch_size,
                                                        drop_last=True)
    nw = min([os.cpu_count(), batch_size if batch_size > 1 else 0, 8])  # number of workers
    if rank == 0:  # 打印也是在第一个进程中
        print('Using {} dataloader workers every process'.format(nw))
    train_loader = torch.utils.data.DataLoader(train_data_set,  # 传入的仍然是实例化的训练集(不是DistributedSampler)
                                               batch_sampler=train_batch_sampler,  # 这里传入的是BatchSampler,而不是简单的batch_size
                                               pin_memory=True,  # 直接将数据加载到GPU中,从而达到加速的效果
                                               num_workers=nw,  # num workers
                                               collate_fn=train_data_set.collate_fn)
    val_loader = torch.utils.data.DataLoader(val_data_set,  # 传入的仍然是实例化的验证集(不是DistributedSampler)
                                             batch_size=batch_size,  # 这里传入的还是batch_size,而不是BatchSampler
                                             sampler=val_sampler,  # 因为我们刚才没有使用BatchSampler对DistributedSampler进行处理,所以这里
                                                                   # 直接传入DistributedSampler,将验证集进行随机打乱后均匀地分配给不同设备
                                                                   # 这里重点不是随机打乱,而是均匀地分配给不同的设备。
                                             pin_memory=True,
                                             num_workers=nw,
                                             collate_fn=val_data_set.collate_fn)
    # 实例化模型并指认到指定的设备中。
    # Note:刚才在定义args时,device默认的是cuda,而在初始化DDP环境时有 torch.cuda.set_device(args.gpu)
    # 将对应的GPU指认到args.gpu,后面还有device = torch.device(args.device)
    # 所以这里直接使用device就可以了 -> 会帮助我们自动分配到对应的GPU上
    model = resnet34(num_classes=num_classes).to(device)
    # 如果存在预训练权重则载入
    if os.path.exists(weights_path):
        weights_dict = torch.load(weights_path, map_location=device)
        load_weights_dict = {k: v for k, v in weights_dict.items()
                             if model.state_dict()[k].numel() == v.numel()}
        model.load_state_dict(load_weights_dict, strict=False)
        """
            如果我们使用多GPU训练,我们必须保证每个设备上初始的权重的是一模一样的!这样我们使用多GPU训练
            才是正确的;如果我们初始化的权重都不一样的化,那么在训练过程中所求得的梯度其实就不是针对同一组
            参数而言的。
            那我们应该怎么做呢?这里使用的是以下的语句:
                checkpoint_path = os.path.join(tempfile.gettempdir(), "initial_weights.pt")
            其中,tempfile.gettempdir()用于返回保存临时文件的文件夹路径。所以我们可以得到一个保存临时文件的路径:
                xxxxtempfolder/initial_weights.pt
            之后我们再将主进程模型的权值文件保存到这个临时文件中
                if rank == 0:  # 在主进程中保存模块的初始化权重
                    torch.save(model.state_dict(), checkpoint_path)
            最终让所有模型都读入该权重(不管是主进程还是其他进程 <=> 不管是生成pt文件的GPU还是其他GPU):
                model.load_state_dict(torch.load(checkpoint_path, map_location=device))
        """
    else:  # 如果不存在权重
        checkpoint_path = os.path.join(tempfile.gettempdir(), "initial_weights.pt")
        # 如果不存在预训练权重,需要将第一个进程中的权重保存,然后其他进程载入,保持初始化权重一致
        if rank == 0:  # 在主进程中保存模块的初始化权重
            torch.save(model.state_dict(), checkpoint_path)
        dist.barrier()  # 等待所有GPU都执行到这步
        # 这里注意,一定要指定map_location参数,否则会导致第一块GPU占用更多资源
        # map_location用于重定向,参考:https://blog.csdn.net/qq_43219379/article/details/123675375
        model.load_state_dict(torch.load(checkpoint_path, map_location=device))
    # 是否冻结权重
    if args.freeze_layers:
        for name, para in model.named_parameters():
            # 除最后的全连接层外,其他权重全部冻结(FC层中是没有BN的,所以使用同步功能的BN是没有意义的)
            if "fc" not in name:
                para.requires_grad_(False)
    else:  # 不冻结权重
        # 只有训练带有BN结构的网络时使用SyncBatchNorm才有意义(不带BN的话就不用了)
        if args.syncBN:  # 使用带有同步功能的BN
            # 使用SyncBatchNorm后训练会更耗时
            # 这个将BN换为sync_BN是不用管BN是2d还是3d的
            model = torch.nn.SyncBatchNorm.convert_sync_batchnorm(model).to(device)
    # 转为DDP模型:使用torch.nn.parallel.DistributedDataParallel包装我们的模型,再指认对应的设备ID
    model = torch.nn.parallel.DistributedDataParallel(model, device_ids=[args.gpu])
    # optimizer
    pg = [p for p in model.parameters() if p.requires_grad]
    optimizer = optim.SGD(pg, lr=args.lr, momentum=0.9, weight_decay=0.005)
    # Scheduler https://arxiv.org/pdf/1812.01187.pdf
    lf = lambda x: ((1 + math.cos(x * math.pi / args.epochs)) / 2) * (1 - args.lrf) + args.lrf  # cosine
    scheduler = lr_scheduler.LambdaLR(optimizer, lr_lambda=lf)
    for epoch in range(args.epochs):
        """
            前面我们提到了,使用DistributedSampler会打乱数据并将数据均匀的分配给每个设备。
            但是设备的拥有的数据是不变的。设置该方法后,每次DistributedSampler打乱的顺序就不同了,这就导致
            每个设备所拥有的数据不同 -> 让每个设备都能接触到所有的样本
        """
        train_sampler.set_epoch(epoch)
        mean_loss = train_one_epoch(model=model,
                                    optimizer=optimizer,
                                    data_loader=train_loader,
                                    device=device,
                                    epoch=epoch)
        scheduler.step()
        sum_num = evaluate(model=model,
                           data_loader=val_loader,
                           device=device)
        # 这里的val_sampler.total_size为整个验证集样本的总数(包括补充的数据)
        acc = sum_num / val_sampler.total_size
        if rank == 0:  # 在主进程中给Tensorboard添加数据
            print("[epoch {}] accuracy: {}".format(epoch, round(acc, 3)))
            tags = ["loss", "accuracy", "learning_rate"]
            tb_writer.add_scalar(tags[0], mean_loss, epoch)
            tb_writer.add_scalar(tags[1], acc, epoch)
            tb_writer.add_scalar(tags[2], optimizer.param_groups[0]["lr"], epoch)
            # 在主进程中保存权重参数
            torch.save(model.module.state_dict(), "./weights/model-{}.pth".format(epoch))
    # 删除临时缓存文件
    """
        如果不使用预训练权重,那么会生成一个temp file用来保证所有设备模型的初始化一致
        所以我们要将其删除
    """
    if rank == 0:
        if os.path.exists(checkpoint_path) is True:
            os.remove(checkpoint_path)
    # 当训练完毕后,我们需要调用 cleanup 这个方法去摧毁进程组 -> 释放资源
    cleanup()
if __name__ == '__main__':
    parser = argparse.ArgumentParser()
    parser.add_argument('--num_classes', type=int, default=5)
    parser.add_argument('--epochs', type=int, default=30)
    parser.add_argument('--batch-size', type=int, default=16)
    parser.add_argument('--lr', type=float, default=0.001)
    parser.add_argument('--lrf', type=float, default=0.1)
    # 是否启用SyncBatchNorm
    parser.add_argument('--syncBN', type=bool, default=True)
    # 数据集所在根目录
    # http://download.tensorflow.org/example_images/flower_photos.tgz
    parser.add_argument('--data-path', type=str, default="/home/wz/data_set/flower_data/flower_photos")
    # resnet34 官方权重下载地址
    # https://download.pytorch.org/models/resnet34-333f7ec4.pth
    parser.add_argument('--weights', type=str, default='resNet34.pth',
                        help='initial weights path')
    parser.add_argument('--freeze-layers', type=bool, default=False)
    # 以下三个参数不要进行修改,系统会自动分配
    parser.add_argument('--device', default='cuda', help='device id (i.e. 0 or 0,1 or cpu)')
    # 开启的进程数(注意不是线程),不用设置该参数,会根据nproc_per_node自动设置
    parser.add_argument('--world-size', default=4, type=int,
                        help='number of distributed processes')
    parser.add_argument('--dist-url', default='env://', help='url used to set up distributed training')
    opt = parser.parse_args()
    main(opt)

5.2.2 distributed_utils

import os
import torch
import torch.distributed as dist
def init_distributed_mode(args):
    """
        DDP可以使用在:
            1. 多机多卡
            2. 单机多卡
        + 如果是多机多卡的场景下,WORLD_SIZE对应所有机器中使用的进程数量(一个进程对应一块GPU)。
        + RANK代表所有进程中的第几个进程
        + LOCAL_RANK对应当前机器中第几个进程
        因为我们讲的是单机多卡的场景,所以这里的:
            + WORLD_SIZE就是有几块GPU
            + RANK代表哪块GPU
            + LOCAL_RANK和RANK是一样的
        因为我们的脚本使用的是 torch.distributed.launch 这个方法,所以需要使用 --use_env 这个方法(args.use_env==True)
    """
    if 'RANK' in os.environ and 'WORLD_SIZE' in os.environ:  # 我们使用的是这个
        args.rank = int(os.environ["RANK"])  # 将环境中的RANK强转为int后传入args.rank变量
        args.world_size = int(os.environ['WORLD_SIZE'])
        args.gpu = int(os.environ['LOCAL_RANK'])
    elif 'SLURM_PROCID' in os.environ:
        args.rank = int(os.environ['SLURM_PROCID'])
        args.gpu = args.rank % torch.cuda.device_count()
    else:
        print('Not using distributed mode')
        args.distributed = False
        return
    args.distributed = True  # 将是否使用分布式训练的flag设置为True
    # 指定当前进程使用的GPU。在使用单机多卡的时候,其实是针对每一个GPU起了一个进程
    torch.cuda.set_device(args.gpu)
    args.dist_backend = 'nccl'  # 通信后端,nvidia GPU推荐使用NCCL
    # 打印当前所使用GPU的RANK及其distributed url信息
    print('| distributed init (rank {}): {}'.format(args.rank, args.dist_url), flush=True)
    # 通过 init_process_group方法创建进程组
    dist.init_process_group(backend=args.dist_backend,   # 通信后端(N卡推荐使用nccl)
                            init_method=args.dist_url,  # 初始化方法(直接使用默认的方法 -> "env://")
                            world_size=args.world_size,  # 对于不同的进程而言(一块GPU分配一个进程),WORLD_SIZE是一样的
                            rank=args.rank)  # 但不同的进程中,RANK是不一样的(如果有两张GPU并行,第一张GPU的RANK=0,第二张GPU的RANK=1)
    # 调用barrier方法等待所有的GPU都运行到这个地方之后再往下走    
    dist.barrier()
def cleanup():
    dist.destroy_process_group()
def is_dist_avail_and_initialized():
    """检查是否支持分布式环境"""
    if not dist.is_available():
        return False
    if not dist.is_initialized():
        return False
    return True
def get_world_size():
    if not is_dist_avail_and_initialized():
        return 1
    return dist.get_world_size()
def get_rank():
    if not is_dist_avail_and_initialized():
        return 0
    return dist.get_rank()
def is_main_process():
    return get_rank() == 0
def reduce_value(value, average=True):
    world_size = get_world_size()
    if world_size < 2:  # 单GPU的情况
        return value
    with torch.no_grad():  # 多GPU的情况下
        dist.all_reduce(value)  # 通过 all_reduce 方法对不同设备的value进行求和操作
        # 通过 all_reduce 操作之后,value就成了所有设备value的之和
        if average:  # 如果要进行求平均
            value /= world_size  # world_size为GPU数量
        return value

5.2.3 train_eval_utils

import sys
from tqdm import tqdm
import torch
from multi_train_utils.distributed_utils import reduce_value, is_main_process
def train_one_epoch(model, optimizer, data_loader, device, epoch):
    model.train()  # 声明模型的状态
    loss_function = torch.nn.CrossEntropyLoss()  # 定义损失函数
    mean_loss = torch.zeros(1).to(device)  # 生成shape为[1, ]的全零矩阵,并添加到对应的设备中 -> 用于存储后续计算得到mean_loss
    # 清空优化器中的梯度残留
    optimizer.zero_grad()
    # 在进程0中打印训练进度
    if is_main_process():  # 判断是否为主进程
        # 使用tqdm库包装一下data_loader这个变量,一会儿在遍历data_loader时就会打印一个进度条
        data_loader = tqdm(data_loader, file=sys.stdout)
    # 迭代data_loader,获取step和对应的数据
    """
        在data_loader中就定义了BS的大小, 所以这里step就是$step = 所有图片的数量 / BS$
        step即为BS的数量, 每走过一次step即为处理了BS张图片
        第1个step对应第1个bs
        第2个step对应第2个bs
        第3个step对应第3个bs
        ...
    """
    for step, data in enumerate(data_loader):
        images, labels = data  # data包含两部分数据:1. 预处理后的图片;2. 对应的真实标签
        # 通过正向传播获取图片的预测结果
        pred = model(images.to(device))
        # 根据预测结果与真实标签计算loss
        loss = loss_function(pred, labels.to(device))
        # 对loss进行反向传播
        """
            这里计算的loss是针对当前GPU当前batch求得的损失。但是在单机多卡的环境中,我们想要求得所有GPU的平均损失。
            所有我们应该想办法求得不同设备之间求得的loss的均值。这里是通过 reduce_value这个方法实现的
        """
        loss.backward()
        # 对loss进行求平均处理
        """
            reduce_value:
                def reduce_value(value, average=True):
                    world_size = get_world_size()
                    if world_size < 2:  # 单GPU的情况
                        return value  # 原值返回
                    with torch.no_grad():
                        dist.all_reduce(value)
                        if average:
                            value /= world_size  # 需要除以GPU数量后再返回
                        return value
        """
        loss = reduce_value(loss, average=True)  # 这行代码在单机单卡环境是不起作用的
        # 对历史损失求平均
        mean_loss = (mean_loss * step + loss.detach()) / (step + 1)  # update mean losses
        # 在进程0中打印平均loss
        if is_main_process():  # 判断是否为主进程
            data_loader.desc = "[epoch {}] mean loss {}".format(epoch, round(mean_loss.item(), 3))
        # 判断loss是否为有限数据(不能是infty)
        if not torch.isfinite(loss):
            print('WARNING: non-finite loss, ending training ', loss)
            sys.exit(1)  # 如果loss为无穷,则退出训练
        optimizer.step()  # 参数优化器进行参数更新
        optimizer.zero_grad()  # 参数优化器更新完参数后,需要将梯度清空
    # 等待所有进程计算完毕
    if device != torch.device("cpu"):
        torch.cuda.synchronize(device)  # 等待CUDA设备上所有流中的所有内核完成。
    # 返回计算求得的平均loss
    return mean_loss.item()
"""
    这里使用了@torch.no_grad()这个装饰器对该方法进行修改,也可以使用 with torch.no_grad: 这个上下文管理器
"""
@torch.no_grad()
def evaluate(model, data_loader, device):
    model.eval()  # 声明模型状态 -> 1. 关闭BN; 2. Dropout
    # 用于存储预测正确的样本个数
    sum_num = torch.zeros(1).to(device)
    # 在进程0中打印验证进度
    if is_main_process():
        data_loader = tqdm(data_loader, file=sys.stdout)  # 在主进程中包装dataloader
    for step, data in enumerate(data_loader):
        images, labels = data
        pred = model(images.to(device))  # 获取预测概率
        pred = torch.max(pred, dim=1)[1]  # 获取预测概率最的max
        """
        torch.eq(tensor, tensor/value)
        对两个张量Tensor进行逐元素的比较,若相同位置的两个元素相同,则返回True;若不同,返回False。
        """
        sum_num += torch.eq(pred, labels.to(device)).sum()  # 计算所有预测正确的数量
    # 等待所有进程计算完毕
    if device != torch.device("cpu"):
        torch.cuda.synchronize(device)
    # 统计所有预测正确的数量
    # 这里使用 reduce_value 方法实现所有GPU的sum_num变量之和
    sum_num = reduce_value(sum_num, average=False)
    return sum_num.item()

6. 补充知识

6.1 Cosine学习率变化曲线

lf = lambda x: ((1 + math.cos(x * math.pi / args.epochs)) / 2) * (1 - arg.lrf) + args.lrf


l
r
(
e
p
o
c
h
)
=
1
2
[
1
+
cos

π

e
p
o
c
h
e
p
o
c
h
s
]
×
(
1

α
)
+
α
\mathrm{lr(epoch)} = \frac{1}{2}[1 + \cos\frac{\pi \cdot \mathrm{epoch}}{\mathrm{epochs}}] \times (1 - \alpha) + \alpha
lr(epoch)=21[1+cosepochsπepoch]×(1α)+α

其中:


  • l
    f
    \mathrm{lf}
    lf
    为当前学习率

  • e
    p
    o
    c
    h
    \mathrm{epoch}
    epoch
    为当前迭代的epoch数

  • e
    p
    o
    c
    h
    s
    \mathrm{epochs}
    epochs
    为总的epoch数

  • α
    \alpha
    α
    为倍率因子

其函数曲线为:

PyTorch使用多GPU并行训练及其原理和注意事项

6.2 DistributedSampler的讲解

# 实例化训练数据集
train_data_set = MyDataSet(images_path=train_images_path,
                           images_class=train_images_label,
                           transform=data_transform["train"])
# 实例化验证数据集
val_data_set = MyDataSet(images_path=val_images_path,
                         images_class=val_images_label,
                         transform=data_transform["val"])
# 给每个rank对应的进程分配训练的样本索引
train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)

现在对torch.utils.data.distributed.DistributedSampler进行讲解。

PyTorch使用多GPU并行训练及其原理和注意事项

假设当前的数据集一共有11个样本 -> [0, 1, 2, 3, 4, …, 10]。

首先DistributedSampler会对数据进行Shuffle处理,得到[6, 1, 9, 3, …, 7]这样随机的数据顺序。然后根据GPU的数量进行计算。假设我们使用2块GPU进行并行。那么DistributedSampler:

  1. 先会对总的样本数/2(向上取整)=6。
  2. 再对得到的数乘上GPU的个数,即6*2=12
  3. 这个12就是2块GPU需要的数据总的样本个数。但是我们的样本总数是11,那么就会对其进行补充。怎么补充?—— 对最开头的数据进行复制,再放到最后。这里我们缺了1个数据,所有就将6补充到最后。(如果我们差3个数据,就将[6, 1, 9]进行复制,补充到后面)

这样我们就有12个数据了,就可以均衡的分配到每一个GPU设备中了。

最后对数据进行分配。分配的方式也非常简单,就是间隔地将数据分配到不同的设备中。


通过DistributedSampler,我们就将所有的数据平分到各个设备上了。设备只能使用分配的数据,不能使用其他设备拥有的数据。

6.3 BatchSampler

# 给每个rank对应的进程分配训练的样本索引
train_sampler = torch.utils.data.distributed.DistributedSampler(train_data_set)
val_sampler = torch.utils.data.distributed.DistributedSampler(val_data_set)
# -----------------------------------------------------------
# 将样本索引每batch_size个元素组成一个list
# BatchSampler是对train_sampler做进一步的处理
train_batch_sampler = torch.utils.data.BatchSampler(train_sampler,
                                                    batch_size,
                                                    drop_last=True)

PyTorch使用多GPU并行训练及其原理和注意事项

假设我们有2块GPU,通过DistributedSampler后,数据被均匀地分配到两个设备中。我们拿第一块GPU为例,它分配到的数据索引为[6, 9, 10, 1, 8, 7]。假设我们的Batch Size=2,那么BatchSampler会将不同设备的数据以2个为一组组合在一起。


在BatchSampler中还有一个参数drop_last。这个参数的意思是:

如果我们的BS=4,那么我们发现,只有前4个数据可以打包为一组,后2个数据凑不够了:

  • 如果Droplast==True,那么剩下的2个数据就被丢弃了。
  • 如果Droplast==False,那么剩下的2个数据打包为一个batch。

Note

  • 一般BatchSampler只处理训练集的DistributedSampler,验证集的不需要处理。

7. 总结

  1. 打印、保存模型、计算时间等操作要放在主线程中执行 (rank==0)
  2. 别忘记给模型用DDP进行包装
  3. 加载数据集后别忘记使用DistributedSampler进行处理;还有BatchSampler对前者进行处理
  4. 记得对loss队形reduce_value的计算
  5. 对需要累加的东西都别忘了使用reduce_value进行计算
  6. loss.backward()直接进行梯度反向传播就行,不需要先进行reduce_value再传播。因为每张卡的loss是不一样的,是针对自己的数据求出来的值,mean loss只是展示用,并不是实际反向传播的loss
  7. to(device)的方法很好用,以后就可以不用.cuda()了 😂
  8. tensorboard里面东西排序是看英文顺序,不是语句顺序
  9. 如果追求速度,关闭同步的BN(SyncBN)

知识来源

  1. https://www.bilibili.com/video/BV1yt4y1e7sZ?share_source=copy_pc