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。

此容器通过在批处理维度中分块，跨指定设备拆分输入，从而并行化给定 module 的应用（其他对象将在每个设备上复制一次）。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。在后向传播期间，来自每个副本的梯度被求和到原始模块中。

批处理大小应大于使用的 GPU 数量。

警告

建议使用 DistributedDataParallel，而不是此类，来进行多 GPU 训练，即使只有一个节点也是如此。请参阅：使用 nn.parallel.DistributedDataParallel 而不是多进程或 nn.DataParallel 和 分布式数据并行。

允许将任意位置和关键字输入传递到 DataParallel，但某些类型会得到特殊处理。张量将在指定的维度（默认为 0）上进行分散。元组、列表和字典类型将进行浅复制。其他类型将在不同线程之间共享，如果在模型的前向传播中写入，则可能会损坏。

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

警告

在每次前向传播中，module 都会在每个设备上复制，因此在 forward 中对运行模块的任何更新都将丢失。例如，如果 module 具有一个计数器属性，该属性在每次 forward 中递增，则它将始终保持初始值，因为更新是在副本上完成的，而副本在 forward 后被销毁。但是，DataParallel 保证 device[0] 上的副本将使其参数和缓冲区与基本并行化的 module 共享存储。因此，对 device[0] 上的参数或缓冲区的原地更新将被记录。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，每次都使用位于特定设备上的输入。特别是，钩子仅保证相对于相应设备上的操作以正确的顺序执行。例如，不保证通过 register_forward_pre_hook() 设置的钩子在 所有 len(device_ids) forward() 调用之前执行，但每个此类钩子在相应设备的 forward() 调用之前执行。

警告

当 module 在 forward() 中返回标量（即 0 维张量）时，此包装器将返回一个向量，其长度等于数据并行中使用的设备数量，其中包含来自每个设备的结果。

注意

在包装在 DataParallel 中的 Module 中使用 pack sequence -> recurrent network -> unpack sequence 模式时存在细微之处。有关详细信息，请参阅 FAQ 中的 我的循环神经网络无法与数据并行一起工作 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) – 输出的设备位置（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