PyTorch : Tutorial 初級 : データ並列

PyTorch : Tutorial 初級 : データ並列 (翻訳/解説)
翻訳 : (株)クラスキャットセールスインフォメーション
更新日時 : 04/28/2018 (0.4.0)
作成日時 : 04/23/2018

* 0.4.0 リリースに対応するために更新しました。
* 本ページは、PyTorch Tutorials の Optional: Data Parallelism を動作確認・翻訳した上で適宜、補足説明したものです：

http://pytorch.org/tutorials/beginner/blitz/data_parallel_tutorial.html

* サンプルコードの動作確認はしておりますが、適宜、追加改変している場合もあります。
* ご自由にリンクを張って頂いてかまいませんが、sales-info@classcat.com までご一報いただけると嬉しいです。

本文

このチュートリアルでは、DataParallel を使用してマルチ GPU をどのように使用するかを学習します。

PyTorch で GPU を使用することは非常に簡単です。モデルを GPU 上に置くことができます :

device = torch.device("cuda:0")
model.to(device)

それから、貴方の総ての tensor を GPU にコピーできます :

mytensor = my_tensor.to(device)

mytensor.to(device) の単なる呼び出しは、mytensor を書き換える代わりに GPU 上の mytensor の新しいコピーを返すことに注意してください。それに新しい variable を割り当ててその tensor を GPU 上で使用する必要があります。

貴方の forward, backward 伝播をマルチ GPU 上で実行することは自然です。けれども、PyTorch はデフォルトでは一つの GPU を使用するだけです。DataParallel を使用して貴方のモデルを並列に実行させることによりマルチ GPU 上で貴方の演算を簡単に実行できます :

model = nn.DataParallel(model)

それがこのチュートリアルの裏にある核心です。以下でより詳細にそれを探検しましょう。

インポートとパラメータ

PyTorch モジュールをインポートしてパラメータを定義します。

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# Parameters and DataLoaders
input_size = 5
output_size = 2

batch_size = 30
data_size = 100

デバイス

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

ダミーのデータセット

ダミーの (ランダムな) データセットを作成します。getitem を実装する必要があるだけです。

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, 100),
                         batch_size=batch_size, shuffle=True)

単純なモデル

デモのために、私達のモデルは単に入力を取り、線形演算を遂行し、そして出力を与えます。けれども、任意のモデル (CNN, RNN, Capsule Net etc.) の上で DataParallel を使用できます。

入力と出力 tensor のサイズをモニタするためにモデルの内側に print ステートメントを配置しました。batch rank 0 で何がプリントされるかに注意を払ってください。

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

モデルの作成と DataParallel

これはこのチュートリアルのコア・パートです。最初に、モデル・インスタンスを作成して複数の GPU を持つか否かを確認する必要があります。複数の GPU を持つ場合には、nn.DataParallel を使用して私達のモデルをラップすることができます。

それから model.to(device) により私達のモデルを GPU 上に置くことができます。

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)

モデルを実行する

今では入力と出力 tensor のサイズを見ることができます。

for data in rand_loader:
    input = data.to(device)
    output = model(input)
    print("Outside: input size", input.size(),
          "output_size", output.size())

In Model: input size torch.Size([30, 5]) output size torch.Size([30, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
        In Model: input size torch.Size([30, 5]) output size torch.Size([30, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
        In Model: input size torch.Size([30, 5]) output size torch.Size([30, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
        In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

結果

30 入力と 30 出力をバッチ処理するとき、モデルは 30 を得て想定されるように 30 を出力します。しかし貴方が GPU を持つ場合には、このような結果を得ることができます。

2 GPUs

2 つ持つ場合には、以下を見るでしょう :

# on 2 GPUs
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])

3 GPUs

３ GPU を持つ場合には、以下を見るでしょう :

Let's use 3 GPUs!
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
    In Model: input size torch.Size([10, 5]) output size torch.Size([10, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

8 GPUs

8 個を持つ場合には、以下を見るでしょう :

Let's use 8 GPUs!
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([4, 5]) output size torch.Size([4, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside: input size torch.Size([30, 5]) output_size torch.Size([30, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
    In Model: input size torch.Size([2, 5]) output size torch.Size([2, 2])
Outside: input size torch.Size([10, 5]) output_size torch.Size([10, 2])

要約

DataParallel は貴方のデータを自動的に分割して幾つかの GPU 上の複数のモデルにジョブ・オーダーを送ります。各モデルがそれらのジョブを終了した後、DataParallel は (結果を) 返す前に結果を集めてマージします。

更なる情報のためには、以下をチェックアウトしてください :

http://pytorch.org/tutorials/beginner/former_torchies/parallelism_tutorial.html

以上

月	火	水	木	金	土	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30