prepare_context

  • class paddle.fluid.dygraph.prepare_context(strategy=None)[源代码]

该API是进行多进程多卡训练的环境配置接口,接受一个ParallelStrategy结构体变量作为输入。当strategy属性中的nums_trainer小于2时,API会直接返回,当nums_trainer大于1且为CUDAPlace时,由于目前动态图模式仅支持GPU多卡训练,仅能配置NCCL多卡训练的环境,所以此时会对NCCL环境进行配置,具体内容包括:生成NCCL ID,并广播至参与训练的各进程,用于支持的处理器同步操作,创建并配置NCCL通信器等。

  • 参数:
    • strategy (ParallelStrategy, 可选) – 该参数是配置储存多进程多卡训练配置信息的结构体变量,其具体成员包括:trainer节点的个数,当前trainer节点的ID,所有trainer节点的endpoint,当前节点的endpoint。当输入为None时,会调用PallelStrategy构造函数初始化strategy,此时,strategy的属性值为PallelStrategy结构体的默认值,接着strategy的属性会被环境变量中的对应值覆盖。默认值为None。

返回:一个属性配置后的ParallelStrategy结构体变量。

返回类型:实例(ParallelStrategy)

代码示例

  1. import paddle.fluid.dygraph as dygraph
  2. import paddle.fluid as fluid
  3. with fluid.dygraph.guard():
  4. strategy=dygraph.parallel.prepare_context()
  5. emb = fluid.dygraph.Embedding([10, 10])
  6. emb = dygraph.parallel.DataParallel(emb, strategy)
  7.  
  8. state_dict = emb.state_dict()
  9. fluid.save_dygraph( state_dict, "paddle_dy")
  10.  
  11. para_state_dict, _ = fluid.load_dygraph( "paddle_dy")
  12.  
  13. emb.set_dict( para_state_dict )