GPU加速

深度学习涉及很多向量或多矩阵运算，如矩阵相乘、矩阵相加、矩阵-向量乘法等。
深层模型的算法，如BP、Auto-Encoder、CNN等，都可以写成矩阵运算的形式，无须写成
循环运算。然而，在单核CPU上执行时，矩阵运算会被展开成循环的形式，本质上还是串
行执行。图形处理器（Graphic Process Units，GPU）的众核体系结构包含几千个流处理
器，可将矩阵运算并行化执行，大幅缩短计算时间。随着NVIDIA、AMD等公司不断推进
其GPU的大规模并行架构，面向通用计算的GPU已成为加速可并行应用程序的重要手段。
得益于GPU众核（Many-Core）的体系结构，程序在GPU系统上的运行速度相较于单核
CPU往往提升了几十倍乃至上千倍。

目前，GPU已经发展到了较为成熟的阶段。利用GPU来训练深度神经网络，可以充分
发挥其数以千计的计算核心的能力，在使用海量训练数据的场景下，所耗费的时间大幅缩
短，占用的服务器也更少。如果对适当的深度神经网络进行合理优化，一块GPU卡可能相
当于数十甚至上百台CPU服务器的计算能力，因此GPU已经成为业界在深度学习模型训练
方面的首选解决方案。

如何使用GPU？现在很多深度学习工具都支持GPU运算，使用时只要简单配置即可。
PyTorch支持GPU，可以通过to（device）函数来将数据从内存中转移到GPU显存，如果有
多个GPU还可以定位到哪个或哪些GPU。PyTorch一般把GPU作用于张量（Tensor）或模
型（包括torch.nn下面的一些网络模型以及自己创建的模型）等数据结构上。

单GPU加速

使用GPU之前，需要确保GPU是可以使用的，可通过torch.cuda.is_available()方法的返
回值来进行判断。返回True则具有能够使用的GPU。

通过torch.cuda.device_count()方法可以获得能够使用的GPU数量。
如何查看平台GPU的配置信息？在命令行输入命令“nvidia-smi”即可（适合于Linux或
Windows环境）。图5-18是GPU配置信息样例，从中可以看出共有2个GPU。

把数据从内存转移到GPU，一般针对张量（我们需要的数据）和模型。对张量（类型
为FloatTensor或者是LongTensor等），一律直接使用方法.to(device)或.cuda()。

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#或device = torch.device("cuda:0")
device1 = torch.device("cuda:1")
for batch_idx, (img, label) in enumerate(train_loader):
img=img.to(device)
label=label.to(device)

对于模型来说，也是同样的方式，使用.to(device)或.cuda来将网络放到GPU显存。

#实例化网络
model = Net()
model.to(device) #使用序号为0的GPU
#或model.to(device1) #使用序号为1的GPU

多GPU加速

这里主要介绍单主机多GPU的情况，单机多GPU主要采用了DataParallel函数，而不是
DistributedParallel，后者一般用于多主机多GPU，当然也可用于单机多GPU。

使用多卡训练的方式有很多，当然前提是我们的设备中存在两个及以上的GPU。

使用时直接用model传入torch.nn.DataParallel函数即可，代码如下所示：

#对模型
net = torch.nn.DataParallel(model)

这时，默认所有存在的显卡都会被使用。
如果你的电脑有很多显卡，但只想利用其中一部分，如只使用编号为0、1、3、4的4
个GPU，那么可以采用以下方式：

#假设有4个GPU,其id设置如下
device_ids =[0,1,2,3]
#对数据
input_data=input_data.to(device=device_ids[0])
#对于模型
net = torch.nn.DataParallel(model)
net.to(device)

或者

os.environ["CUDA_VISIBLE_DEVICES"] = ','.join(map(str, [0,1,2,3]))
net = torch.nn.DataParallel(model)

其中CUDA_VISIBLE_DEVICES表示当前可以被PyTorch程序检测到的GPU。下面为
单机多GPU的实现代码：

1）背景说明。

这里使用波士顿房价数据为例，共506个样本，13个特征。数据划分成训练集和测试
集，然后用data.DataLoader转换为可批加载的方式。采用nn.DataParallel并发机制，环境有
2个GPU。当然，数据量很小，按理不宜用nn.DataParallel，这里只是为了更好地说明使用
方法。

2）加载数据。

boston = load_boston()
X,y = (boston.data, boston.target)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
#组合训练数据及标签
myset = list(zip(X_train,y_train))

3）把数据转换为批处理加载方式。

批次大小为128，打乱数据。

from torch.utils import data
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
dtype = torch.FloatTensor
train_loader = data.DataLoader(myset,batch_size=128,shuffle=True)

4）定义网络。

class Net1(nn.Module):
"""
使用sequential构建网络，Sequential()函数的功能是将网络的层组合到一起
"""
def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
super(Net1, self).__init__()
self.layer1 = torch.nn.Sequential(nn.Linear(in_dim, n_hidden_1))
self.layer2 = torch.nn.Sequential(nn.Linear(n_hidden_1, n_hidden_2))
self.layer3 = torch.nn.Sequential(nn.Linear(n_hidden_2, out_dim))
def forward(self, x):
x1 = F.relu(self.layer1(x))
x1 = F.relu(self.layer2(x1))
x2 = self.layer3(x1)
#显示每个GPU分配的数据大小
print("\tIn Model: input size", x.size(),"output size", x2.size())
return x2

5）把模型转换为多GPU并发处理格式。

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
#实例化网络
model = Net1(13, 16, 32, 1)
if torch.cuda.device_count() > 1:
print("Let's use", torch.cuda.device_count(), "GPUs")
# dim = 0 [64, xxx] -> [32, ...], [32, ...] on 2GPUs
model = nn.DataParallel(model)
model.to(device)

运行结果：

Let's use 2 GPUs
DataParallel(
(module): Net1(
(layer1): Sequential(
(0): Linear(in_features=13, out_features=16, bias=True)
)
(layer2): Sequential(
(0): Linear(in_features=16, out_features=32, bias=True)
)
(layer3): Sequential(
(0): Linear(in_features=32, out_features=1, bias=True)
)
)
)

6）选择优化器及损失函数。

optimizer_orig = torch.optim.Adam(model.parameters(), lr=0.01)
loss_func = torch.nn.MSELoss()

7）模型训练，并可视化损失值。

from tensorboardX import SummaryWriter
writer = SummaryWriter(log_dir='logs')
for epoch in range(100):
model.train()
for data,label in train_loader:
input = data.type(dtype).to(device)
label = label.type(dtype).to(device)
output = model(input)
loss = loss_func(output, label)
# 反向传播
optimizer_orig.zero_grad()
loss.backward()
optimizer_orig.step()
print("Outside: input size", input.size() ,"output_size", output.size())
writer.add_scalar('train_loss_paral',loss, epoch)

运行的部分结果：

In Model: input size torch.Size([64, 13]) output size torch.Size([64, 1])
In Model: input size torch.Size([64, 13]) output size torch.Size([64, 1])
Outside: input size torch.Size([128, 13]) output_size torch.Size([128, 1])
In Model: input size torch.Size([64, 13]) output size torch.Size([64, 1])
In Model: input size torch.Size([64, 13]) output size torch.Size([64, 1])
Outside: input size torch.Size([128, 13]) output_size torch.Size([128, 1])

从运行结果可以看出，一个批次数据（batch-size=128）拆分成两份，每份大小为
64，分别放在不同的GPU上。此时用GPU监控也可发现，两个GPU都同时在使用，如图5-
19所示。

8）通过web查看损失值的变化情况，如图5-20所示。
图5-20中出现较大振幅，是由于采用批次处理，而且数据没有做任何预处理，因此对
数据进行规范化应该更平滑一些，读者可以尝试一下。

单机多GPU也可使用DistributedParallel，它多用于分布式训练，但也可以用在单机多
GPU的训练，配置比使用nn.DataParallel稍微麻烦一点，但是训练速度和效果更好一点。
具体配置为：

#初始化使用nccl后端
torch.distributed.init_process_group(backend="nccl")
#模型并行化
model=torch.nn.parallel.DistributedDataParallel(model)

单机运行时使用下列方法启动：

python -m torch.distributed.launch main.py

使用GPU注意事项

使用GPU可以提升训练的速度，但如果使用不当，可能影响使用效率，具体使用时要
注意以下几点：
1）GPU的数量尽量为偶数，奇数的GPU有可能会出现异常中断的情况；
2）GPU很快，但数据量较小时，效果可能没有单GPU好，甚至还不如CPU；
3）如果内存不够大，使用多GPU训练的时候可设置pin_memory为False，当然使用精
度稍微低一点的数据类型有时也有效果。