1. 常见的多GPU使用方法
- 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）
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
- 数据集如何在不同设备间分配
- 误差梯度如何在不同设备之间通信
- 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
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。
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：
- DataParallel
PyTorch官方很久之前给出的一种方案 - 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。
- PyTorch关于DP的文档
- [PyTorch关于DDP的文档](DistributedDataParallel — PyTorch 1.11.0 documentation)
- 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
-
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 -
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掉
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+cosepochsπ⋅epoch]×(1−α)+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：
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。
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：
- 先会对总的样本数/2（向上取整）=6。
- 再对得到的数乘上GPU的个数，即6*2=12
- 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)
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。
知识来源
- https://www.bilibili.com/video/BV1yt4y1e7sZ?share_source=copy_pc