关于pytorch中的distributedsampler函数使用

1.如何使用这个分布式采样器

在使用函数时，观察loss发现loss收敛有规律，发现是按顺序读取数据，未进行。

问题的解决方式就是怀疑 seed 有问题，参考源码，，发现 的结果依赖 g.(self.epoch) 中的 self.epoch。

    def __iter__(self):# deterministically shuffle based on epochg = torch.Generator()g.manual_seed(self.epoch)if self.shuffle:indices = torch.randperm(len(self.dataset), generator=g).tolist()else:indices = list(range(len(self.dataset)))# add extra samples to make it evenly divisibleindices += indices[:(self.total_size - len(indices))]assert len(indices) == self.total_size# subsampleindices = indices[self.rank:self.total_size:self.num_replicas]assert len(indices) == self.num_samplesreturn iter(indices)

而 self.epoch 初始默认是 0

        self.dataset = datasetself.num_replicas = num_replicasself.rank = rankself.epoch = 0self.num_samples = int(math.ceil(len(self.dataset) * 1.0 / self.num_replicas))self.total_size = self.num_samples * self.num_replicasself.shuffle = shuffle

但是 也提供了一个 set 函数来改变 self.epoch

def set_epoch(self, epoch):self.epoch = epoch

所以在运行的时候要不断调用这个 函数。只要把我的代码中的

# sampler.set_epoch(e)

全部代码如下：

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from torch.utils.data.distributed import DistributedSamplertorch.distributed.init_process_group(backend="nccl")input_size = 5
output_size = 2
batch_size = 2
data_size = 16local_rank = torch.distributed.get_rank()
torch.cuda.set_device(local_rank)
device = torch.device("cuda", local_rank)class RandomDataset(Dataset):def __init__(self, size, length, local_rank):self.len = lengthself.data = torch.stack([torch.ones(5), torch.ones(5)*2,torch.ones(5)*3,torch.ones(5)*4,torch.ones(5)*5,torch.ones(5)*6,torch.ones(5)*7,torch.ones(5)*8,torch.ones(5)*9, torch.ones(5)*10,torch.ones(5)*11,torch.ones(5)*12,torch.ones(5)*13,torch.ones(5)*14,torch.ones(5)*15,torch.ones(5)*16]).to('cuda')self.local_rank = local_rankdef __getitem__(self, index):return self.data[index]def __len__(self):return self.lendataset = RandomDataset(input_size, data_size, local_rank)
sampler = DistributedSampler(dataset)
rand_loader = DataLoader(dataset=dataset,batch_size=batch_size,sampler=sampler)e = 0
while e < 2:t = 0# sampler.set_epoch(e)for data in rand_loader:print(data)e+=1

运行：

CUDA_VISIBLE_DEVICES=0,1 python -m torch.distributed.launch --nproc_per_node=2 test.py

2.关于用不用这个采样器的区别

多卡去训模型，尝试着用DDP模式，而不是DP模式去加速训练（很容易出现负载不均衡的情况）。遇到了一点关于这个采样器的一点疑惑，想试验下在DDP模式下，使用这个采样器和不使用这个采样器有什么区别。

实验代码：

整个数据集大小为8, 为4，总共跑2个epoch。

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from torch.utils.data.distributed import DistributedSampler
torch.distributed.init_process_group(backend="nccl")batch_size = 4
data_size = 8local_rank = torch.distributed.get_rank()
print(local_rank)
torch.cuda.set_device(local_rank)
device = torch.device("cuda", local_rank)class RandomDataset(Dataset):def __init__(self, length, local_rank):self.len = lengthself.data = torch.stack([torch.ones(1), torch.ones(1)*2,torch.ones(1)*3,torch.ones(1)*4,torch.ones(1)*5,torch.ones(1)*6,torch.ones(1)*7,torch.ones(1)*8]).to('cuda')self.local_rank = local_rankdef __getitem__(self, index):return self.data[index]def __len__(self):return self.lendataset = RandomDataset(data_size, local_rank)
sampler = DistributedSampler(dataset)#rand_loader =DataLoader(dataset=dataset,batch_size=batch_size,sampler=None,shuffle=True)
rand_loader = DataLoader(dataset=dataset,batch_size=batch_size,sampler=sampler)
epoch = 0
while epoch < 2:sampler.set_epoch(epoch)for data in rand_loader:print(data)epoch+=1

运行命令：=0,1 -m torch.. --=2 test.py

实验结果：

结论分析：上面的运行结果来看，在一个epoch中，相当于把整个数据集 划分成了份，每个GPU每次得到的数量，也就是 个GPU分一整份数据集，总数据量大小就为1个。

如果不用它里面自带的，单纯的还是按照我们一般的形式。=None,=True这种，那么结果将会是下面这样的：

结果分析：没用的话，在一个epoch中，每个GPU各自维护着一份数据，每个GPU每次得到的的数据，总的数据量为2个,

总结：

一般的形式的只能在同进程中进行采样分发，也就是为什么图2只能单GPU维护自己的，DDP中的可以对不同进程进行分发数据,图1，可以夸不同进程（GPU）进行分发。

参考：/p/

////