日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

pytorch中關于distributedsampler函數的使用_python

作者：DRACO于 ? 更新時間： 2023-04-02 編程語言

關于distributedsampler函數的使用

1.如何使用這個分布式采樣器

在使用distributedsampler函數時，觀察loss發現loss收斂有規律，發現是按順序讀取數據，未進行shuffle。

問題的解決方式就是懷疑 seed 有問題，參考源碼?DistributedSampler，發現 shuffle 的結果依賴 g.manual_seed(self.epoch) 中的 self.epoch。

    def __iter__(self):
        # deterministically shuffle based on epoch
        g = torch.Generator()
        g.manual_seed(self.epoch)
        if self.shuffle:
            indices = torch.randperm(len(self.dataset), generator=g).tolist()
        else:
            indices = list(range(len(self.dataset)))
 
 
        # add extra samples to make it evenly divisible
        indices += indices[:(self.total_size - len(indices))]
        assert len(indices) == self.total_size
 
        # subsample
        indices = indices[self.rank:self.total_size:self.num_replicas]
        assert len(indices) == self.num_samples
 
        return iter(indices)

而 self.epoch 初始默認是 0

        self.dataset = dataset
        self.num_replicas = num_replicas
        self.rank = rank
        self.epoch = 0
        self.num_samples = int(math.ceil(len(self.dataset) * 1.0 / self.num_replicas))
        self.total_size = self.num_samples * self.num_replicas
        self.shuffle = shuffle

但是 DistributedSampler 也提供了一個 set 函數來改變 self.epoch

def set_epoch(self, epoch):
    self.epoch = epoch

所以在運行的時候要不斷調用這個 set_epoch 函數。只要把我的代碼中的

# sampler.set_epoch(e)

全部代碼如下：

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from torch.utils.data.distributed import DistributedSampler
 
 
torch.distributed.init_process_group(backend="nccl")
 
input_size = 5
output_size = 2
batch_size = 2
data_size = 16
 
local_rank = torch.distributed.get_rank()
torch.cuda.set_device(local_rank)
device = torch.device("cuda", local_rank)
 
class RandomDataset(Dataset):
    def __init__(self, size, length, local_rank):
        self.len = length
        self.data = torch.stack([torch.ones(5), torch.ones(5)*2,
                                 torch.ones(5)*3,torch.ones(5)*4,
                                 torch.ones(5)*5,torch.ones(5)*6,
                                 torch.ones(5)*7,torch.ones(5)*8,
                                 torch.ones(5)*9, torch.ones(5)*10,
                                 torch.ones(5)*11,torch.ones(5)*12,
                                 torch.ones(5)*13,torch.ones(5)*14,
                                 torch.ones(5)*15,torch.ones(5)*16]).to('cuda')
 
        self.local_rank = local_rank
    def __getitem__(self, index):
 
        return self.data[index]
 
    def __len__(self):
        return self.len
    
dataset = RandomDataset(input_size, data_size, local_rank)
sampler = DistributedSampler(dataset)
rand_loader = DataLoader(dataset=dataset,
                         batch_size=batch_size,
                         sampler=sampler)
 
e = 0
while e < 2:
    t = 0
    # sampler.set_epoch(e)
    for data in rand_loader:
        print(data)
    e+=1

運行：

CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 test.py

2.關于用不用這個采樣器的區別

多卡去訓模型，嘗試著用DDP模式，而不是DP模式去加速訓練（很容易出現負載不均衡的情況）。

遇到了一點關于DistributedSampler這個采樣器的一點疑惑，想試驗下在DDP模式下，使用這個采樣器和不使用這個采樣器有什么區別。

實驗代碼：

整個數據集大小為8,batch_size 為4，總共跑2個epoch。

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from torch.utils.data.distributed import DistributedSampler
torch.distributed.init_process_group(backend="nccl")
 
batch_size = 4
data_size = 8
 
local_rank = torch.distributed.get_rank()
print(local_rank)
torch.cuda.set_device(local_rank)
device = torch.device("cuda", local_rank)
 
class RandomDataset(Dataset):
        def __init__(self, length, local_rank):
            self.len = length
            self.data = torch.stack([torch.ones(1), torch.ones(1)*2,torch.ones(1)*3,torch.ones(1)*4,torch.ones(1)*5,torch.ones(1)*6,torch.ones(1)*7,torch.ones(1)*8]).to('cuda')
            self.local_rank = local_rank
        def __getitem__(self, index):
            return self.data[index]
        def __len__(self):
            return self.len
 
dataset = RandomDataset(data_size, local_rank)
sampler = DistributedSampler(dataset)
 
#rand_loader =DataLoader(dataset=dataset,batch_size=batch_size,sampler=None,shuffle=True)
rand_loader = DataLoader(dataset=dataset,batch_size=batch_size,sampler=sampler)
epoch = 0
while epoch < 2:
    sampler.set_epoch(epoch)
    for data in rand_loader:
            print(data)
    epoch+=1

運行命令：?

CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 test.py

實驗結果：

結論分析：上面的運行結果來看，在一個epoch中，sampler相當于把整個數據集 劃分成了nproc_per_node份，每個GPU每次得到batch_size的數量，也就是nproc_per_node 個GPU分一整份數據集，總數據量大小就為1個dataset。

如果不用它里面自帶的sampler，單純的還是按照我們一般的形式。Sampler=None,shuffle=True這種，那么結果將會是下面這樣的：

結果分析：沒用sampler的話，在一個epoch中，每個GPU各自維護著一份數據，每個GPU每次得到的batch_size的數據，總的數據量為2個dataset,

總結

一般的形式的dataset只能在同進程中進行采樣分發，也就是為什么圖2只能單GPU維護自己的dataset，DDP中的sampler可以對不同進程進行分發數據，圖1，可以夸不同進程（GPU）進行分發。

原文鏈接：https://blog.csdn.net/chanbo8205/article/details/115242635

欄目分類
最近更新