- 可以参数2017coco detection 旷视冠军MegDet: MegDet 与 Synchronized BatchNorm
- PyTorch-Encoding官方文档对CGBN(cross gpu bn)实现
-
GPU捉襟见肘还想训练大批量模型？
- 在一个或多个 GPU 上训练大批量模型： 梯度累积
- 充分利用多 GPU 机器：torch.nn.DataParallel
- 多 GPU 机器上的均衡负载 ： PyTorch-Encoding 的 PyTorch 包，包括两个模块：DataParallelModel 和 DataParallelCriterion
- 分布式训练：在多台机器上训练： PyTorch 的 DistributedDataParallel
- Pytorch 的多 GPU 处理接口是
torch.nn.DataParallel(module, device_ids)，其中module参数是所要执行的模型，而device_ids则是指定并行的 GPU id 列表。 - 而其并行处理机制是，首先将模型加载到主 GPU 上，然后再将模型复制到各个指定的从 GPU 中，然后将输入数据按 batch 维度进行划分，具体来说就是每个 GPU 分配到的数据 batch 数量是总输入数据的 batch 除以指定 GPU 个数。每个 GPU 将针对各自的输入数据独立进行 forward 计算，最后将各个 GPU 的 loss 进行求和，再用反向传播更新单个 GPU 上的模型参数，再将更新后的模型参数复制到剩余指定的 GPU 中，这样就完成了一次迭代计算。所以该接口还要求输入数据的 batch 数量要不小于所指定的 GPU 数量。
这里有两点需要注意：
- 主 GPU 默认情况下是 0 号 GPU，也可以通过
torch.cuda.set_device(id)来手动更改默认 GPU。 - 提供的多 GPU 并行列表中需要包含有主 GPU
但是，DataParallel 有一个问题：GPU 使用不均衡。在一些设置下，GPU-1 会比其他 GPU 使用率高得多。