多进程最佳实践

torch.multiprocessing是Pythonmultiprocessing的替代品。它支持完全相同的操作,但扩展了它以便通过multiprocessing.Queue发送的所有张量将其数据移动到共享内存中,并且只会向其他进程发送一个句柄。

Note

Variable发送到另一个进程时,Variable.dataVariable.grad.data都将被共享。

这允许实现各种训练方法,如Hogwild,A3C或需要异步操作的任何其他方法。

共享CUDA张量

仅在Python 3中使用spawnforkserver启动方法才支持在进程之间共享CUDA张量。Python 2中的multiprocessing只能使用fork创建子进程,并且不被CUDA运行时所支持。

Warning

CUDA API要求导出到其他进程的分配,只要它们被使用就要一直保持有效。您应该小心,确保您共享的CUDA张量只要有必要就不要超出范围。这不是共享模型参数的问题,但传递其他类型的数据应该小心。注意,此限制不适用于共享CPU内存。

参考:使用 nn.DataParallel 替代 multiprocessing

最佳实践和提示

避免和抵制死锁

当一个新进程被产生时,有很多事情可能会出错,最常见的死锁原因是后台线程。如果有任何线程持有锁或导入模块,并且fork被调用,则子进程很可能处于损坏的状态,并以不同的方式死锁或失败。注意,即使您没有,Python内置的库也可能会这样做 —— 不需要看得比multiprocessing更远。multiprocessing.Queue实际上是一个非常复杂的类,它产生用于序列化,发送和接收对象的多个线程,它们也可能引起上述问题。如果您发现自己处于这种情况,请尝试使用multiprocessing.queues.SimpleQueue,这不会使用任何其他线程。

我们正在竭尽全力把它设计得更简单,并确保这些死锁不会发生,但有些事情无法控制。如果有任何问题您无法一时无法解决,请尝试在论坛上提出,我们将看看是否可以解决问题。

重用经过队列的缓冲区

记住每次将Tensor放入multiprocessing.Queue时,必须将其移动到共享内存中。如果它已经被共享,它是一个无效的操作,否则会产生一个额外的内存副本,这会减缓整个进程。即使你有一个进程池来发送数据到一个进程,使它返回缓冲区 —— 这几乎是免费的,并且允许你在发送下一个batch时避免产生副本。

异步多进程训练(例如Hogwild)

使用torch.multiprocessing,可以异步地训练模型,参数可以一直共享,也可以定期同步。在第一种情况下,我们建议发送整个模型对象,而在后者中,我们建议只发送state_dict()

我们建议使用multiprocessing.Queue来在进程之间传递各种PyTorch对象。例如, 当使用fork启动方法时,可能会继承共享内存中的张量和存储器,但这是非常容易出错的,应谨慎使用,而且只能由高级用户使用。队列虽然有时是一个较不优雅的解决方案,但基本上能在所有情况下正常工作。

Warning
你应该注意有关全局语句,它们没有被if __name__ == '__main__'保护。如果使用与fork不同的启动方法,则它们将在所有子进程中执行。

Hogwild

examples repository中可以找到具体的Hogwild实现,可以展示代码的整体结构。下面也有一个小例子:

  1. import torch.multiprocessing as mp
  2. from model import MyModel
  3. def train(model):
  4. # Construct data_loader, optimizer, etc.
  5. for data, labels in data_loader:
  6. optimizer.zero_grad()
  7. loss_fn(model(data), labels).backward()
  8. optimizer.step() # This will update the shared parameters
  9. if __name__ == '__main__':
  10. num_processes = 4
  11. model = MyModel()
  12. # NOTE: this is required for the ``fork`` method to work
  13. model.share_memory()
  14. processes = []
  15. for rank in range(num_processes):
  16. p = mp.Process(target=train, args=(model,))
  17. p.start()
  18. processes.append(p)
  19. for p in processes:
  20. p.join()