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:
* 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。
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 :
以上