DataParallel

class torch.nn.DataParallel(module, device_ids=None, output_device=None, dim=0)

在模块级别实现数据并行。

此容器通过沿批处理维度（其他对象将在每个设备上复制一次）对输入进行分块，将给定的 module 的应用并行化到指定的设备上。在前向传播中，模块在每个设备上复制，每个副本处理一部分输入。在后向传播中，每个副本的梯度会求和到原始模块中。

批处理大小应大于所使用的 GPU 数量。

警告

建议使用 DistributedDataParallel 类进行多 GPU 训练，即使只有一个节点。参见：使用 nn.parallel.DistributedDataParallel 而非多进程或 nn.DataParallel 以及 分布式数据并行。

允许将任意位置和关键字输入传递给 DataParallel，但某些类型会特殊处理。张量会沿指定的维度（默认为 0）进行 分散。tuple、list 和 dict 类型会进行浅复制。其他类型将在不同的线程之间共享，如果在模型的正向传播中写入，则可能损坏。

并行化的 module 在运行此 DataParallel 模块之前，必须将其参数和缓冲区放置在 device_ids[0] 上。

警告

在前向传播时， module 在每个设备上被 复制，因此在 forward 中对正在运行的模块进行的任何更新都将丢失。例如，如果 module 有一个在每次 forward 中递增的计数器属性，它将始终保持初始值，因为更新是在副本上进行的，而副本在 forward 后即被销毁。然而，DataParallel 保证 device[0] 上的副本将其参数和缓冲区与基础并行化 module 共享存储。因此，对 device[0] 上的参数或缓冲区的 就地 更新将被记录下来。例如， BatchNorm2d 和 spectral_norm() 依赖此行为来更新缓冲区。

警告

在 module 及其子模块上定义的前向和后向钩子将被调用 len(device_ids) 次，每次输入位于特定的设备上。特别是，钩子只保证按照与相应设备上的操作相关的正确顺序执行。例如，不保证通过 register_forward_pre_hook() 设置的钩子在所有 len(device_ids) 次 forward() 调用之前执行，但保证每个此类钩子在该设备相应的 forward() 调用之前执行。

警告

当 module 在 forward() 中返回一个标量（即 0 维张量）时，此封装器将返回一个长度等于数据并行所用设备数量的向量，其中包含来自每个设备的结果。

注意

在使用 Module 封装在 DataParallel 中时，使用 打包序列 -> 循环网络 -> 解包序列 模式时存在一些细微之处。详情请参阅 FAQ 中的 我的循环网络无法与数据并行一起使用 部分。

参数

• module (Module) – 要并行化的模块

• device_ids (list of int or torch.device) – CUDA 设备 (默认: 所有设备)

• output_device (int or torch.device) – 输出设备的位置 (默认: device_ids[0])

变量

module (Module) – 要并行化的模块

示例

>>> net = torch.nn.DataParallel(model, device_ids=[0, 1, 2])
>>> output = net(input_var)  # input_var can be on any device, including CPU