说明
在前面讲模型加载和保存的时候，在多GPU情况下，实际上是挖了坑的，比如在多GPU加载时，GPU的利用率是不均衡的，而当时没详细探讨这个问题，今天来详细地讨论一下。
问题
在训练的时候，如果GPU资源有限，而数据量和模型大小较大，那么在单GPU上运行就会极其慢的训练速度，此时就要使用多GPU进行模型训练了，在pytorch上实现多GPU训练实际上十分简单：
只需要将模型使用nn.DataParallel进行装饰即可。
model = nn.DataParallel(model,device_ids=range(torch.cuda.device_count()))
但是问题在于这样直接处理后的模型的负载可能是不均衡的，因为在不同的GPU上进行运算，而最后的loss计算过程是要合并到主GPU上，这样主GPU的的占用率将比较高，而其余GPU的利用率则没有那么高。
解决思路
- 一种比较简单的解决方法是将模型计算loss的过程封装在model里，这样每个GPU forward的时候就会计算到对应的loss，当然缺陷在于这样每次得到的loss都是一个数组，需要另外mean或者sum处理一下。
class FullModel(nn.Module):
def __init__(self, model, loss):
super(FullModel, self).__init__()
self.model = model
self.loss = loss
def forward(self, targets, *inputs):
outputs = self.model(*inputs)
loss = self.loss(outputs, targets)
return torch.unsqueeze(loss,0),outputs
在上述的代码中，构建了另外一个包含model和loss的壳，在壳里计算loss的值，需要注意的是，在进行DataParallel时，也需要对这个并行，而到了收集loss的时候，则使用loss的和：
loss,_ = model(gt,input)
loss = loss.sum()
optimizer.zero_grad()
loss.backward()
optimizer.step()
已经有人造了这个轮子，并开源了出来，可以参考：https://github.com/zhanghang1989/PyTorch-Encoding 代码库，整个写法依然没有太大的变化：
from utils.encoding import DataParallelModel, DataParallelCriterion
model = DataParallelModel(model)
criterion = DataParallelCriterion(criterion)
- 通过distributedDataparallel来实现
实际上官方考虑过负载不均衡的问题，在文档中也推荐使用distributedDataparallel(ddp)进行训练，尽管ddp是用来解决不同机器的分布式训练问题的。
This is the highly recommended way to useDistributedDataParallel, with multiple processes, each of which operates on a single GPU. This is currently the fastest approach to do data parallel training using PyTorch and applies to both single-node(multi-GPU) and multi-node data parallel training. It is proven to be significantly faster thantorch.nn.DataParallelfor single-node multi-GPU data parallel training.
ddp使用起来比DataParallel更快，数据也更均衡，但是缺点是配置起来相对要麻烦一些。
# 初始化使用的后端
torch.distributed.init_process_group(backend="nccl")
# 对数据进行划分
train_sampler = torch.utils.data.distributed.DistributedSampler(train_dataset)
test_sampler = torch.utils.data.distributed.DistributedSampler(test_dataset)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=batch_size, shuffle=False, num_workers=n_worker, pin_memory=True, sampler=train_sampler)
test_loader = torch.utils.data.DataLoader(test_dataset, batch_size=batch_size, shuffle=False, num_workers=n_worker, pin_memory=True, sampler=test_sampler) # sampler和shuffle不能同时使用
model=torch.nn.parallel.DistributedDataParallel(model)
注意:需要注意的是，尽量设定pin_memory参数为true，该参数是锁存操作，使用会加快数据读取速度，但是此时要限定内存的大小是要使用显存的两倍
以上就配置好了，经过测试，使用ddp的训练时间比DataParallel快一倍。
在运行的时候，使用以下命令进行分布式训练： python -m torch.distributed.launch --nproc_per_node=NUM_GPUS_YOU_HAVE yourscript.py