在pytorch上使用多个GPU（在同一台设备上，并非分布式）进行训练是件非常容易的事情，只要在源代码中添加（修改）两行代码即可。下面贴上官方教程给的示例代码。并在文末总结一些自己在使用多GPU实验时发现的问题。
官方tutorial
把模型放在GPU上:
device = torch.device("cuda:0")
model.to(device)
将tensor复制到GPU上
mytensor = my_tensor.to(device)
请注意，调用my_tensor.to(device)会在GPU上返回一个新的my_tensor副本，而不是重写my_tensor。你需要给它分配一个新的张量，然后在GPU上使用这个张量。
Pytorch默认情况下只使用一个GPU。想用多GPU同时训练，只需下面一步简单的操作：使用模块DataParallel，你就可以很容易地在多个gpu上运行你的操作:
model = nn.DataParallel(model)
上面这行代码就是本教程的核心。
（注意：有时候只使用上面这一行代码还不能实现多gpu训练，会报错，文末会给解决办法）
官方示例代码
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '2,3' # 这里输入你的GPU_id
# Parameters and DataLoaders
input_size = 5
output_size = 2
batch_size = 30
data_size = 100
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
# Dummy DataSet
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
def __getitem__(self, index):
return self.data[index]
def __len__(self):
return self.len
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
batch_size=batch_size, shuffle=True)
# Simple Model
class Model(nn.Module):
# Our model
def __init__(self, input_size, output_size):
super(Model, self).__init__()
self.fc = nn.Linear(input_size, output_size)
def forward(self, input):
output = self.fc(input)
print("\tIn Model: input size", input.size(),
"output size", output.size())
return output
# Create Model and DataParallel
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1:
print("Let's use", torch.cuda.device_count(), "GPUs!")
# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
model = nn.DataParallel(model)
model.to(device)
#Run the Model
for data in rand_loader:
input = data.to(device)
output = model(input)
print("Outside: input size", input.size(),
"output_size", output.size())
运行上面代码，会在控制台打印出：
Let's use 2 GPUs!
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model: input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
In Model: input size torch.Size([5, 5]) output size torch.Size([5, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])
闲来无事可以跑一下，感受一下官方的多GPU训练。
最近在尝试使用多GPU训练的时候，遇到了一些问题，记录下来留作以后参考，也给遇到同样问题的朋友做参考。
问题一：
按照官方教程设置，即model = nn.DataParallel(model)，运行后报错：
TypeError:Broadcast function not implemented for CPU tensors
网上求解，发现原因是使用DataParallel()前没把model转为cuda模式，因此报这个错误。
解决方案：
修改为：
model = nn.DataParallel(model.cuda())
参考：https://discuss.pytorch.org/t/broadcast-function-not-implemented-for-cpu-tensors/9893
问题二：
报如下错误：
AttributeError: 'DataParallel' object has no attribute 'forward_classifier'
类似这样的问题“AttributeError: ‘DataParallel’ object has no attribute ‘xxx’”，解决办法为先在dataparallel后的model调用module模块，然后再调用xxx。在使用了DataParallel之后，有这样的关系:model.xxx = nn.DataParallel.module.xxx
报错的代码为：
cls_a = model.forward_classifier(selected_data_a)
解决方案
将其修改为如下即可解决问题：
cls_a = model.module.forward_classifier(selected_data_a)
此问题参考：https://discuss.pytorch.org/t/fine-tuning-resnet-dataparallel-object-has-no-attribute-fc/14842