GPU¶
自2000年以来,GPU性能每十年增长1000倍。 本节,我们将讨论如何利用这种计算性能进行研究。 首先是如何使用单个GPU,然后是如何使用多个GPU和多个服务器(具有多个GPU)。
我们先看看如何使用单个NVIDIA GPU进行计算。
首先,确保至少安装了一个NVIDIA GPU。
然后,下载NVIDIA驱动和CUDA
并按照提示设置适当的路径。
当这些准备工作完成,就可以使用nvidia-smi
命令来查看显卡信息。
在PyTorch中,每个数组都有一个设备(device), 我们通常将其称为环境(context)。 默认情况下,所有变量和相关的计算都分配给CPU。 有时环境可能是GPU。 当我们跨多个服务器部署作业时,事情会变得更加棘手。 通过智能地将数组分配给环境, 我们可以最大限度地减少在设备之间传输数据的时间。 例如,当在带有GPU的服务器上训练神经网络时, 我们通常希望模型的参数在GPU上。
要运行此部分中的程序,至少需要两个GPU。 注意,对大多数桌面计算机来说,这可能是奢侈的,但在云中很容易获得。 例如可以使用AWS EC2的多GPU实例。 本书的其他章节大都不需要多个GPU, 而本节只是为了展示数据如何在不同的设备之间传递。
5.6.1 计算设备¶
我们可以指定用于存储和计算的设备,如CPU和GPU。 默认情况下,张量是在内存中创建的,然后使用CPU计算它。
在PyTorch中,CPU和GPU可以用torch.device('cpu')
和torch.device('cuda')
表示。
应该注意的是,cpu
设备意味着所有物理CPU和内存,
这意味着PyTorch的计算将尝试使用所有CPU核心。
然而,gpu
设备只代表一个卡和相应的显存。
如果有多个GPU,我们使用torch.device(f'cuda:{i}')
来表示第$i$块GPU($i$从0开始)。
另外,cuda:0
和cuda
是等价的。
import torch
from torch import nn
torch.device('cpu'), torch.device('cuda'), torch.device('cuda:1')
(device(type='cpu'), device(type='cuda'), device(type='cuda', index=1))
我们可以查询可用gpu的数量。
torch.cuda.device_count()
3
现在我们定义了两个方便的函数,这两个函数允许我们在不存在所需所有GPU的情况下运行代码。
def try_gpu(i=0): #@save
"""如果存在,则返回gpu(i),否则返回cpu()"""
if torch.cuda.device_count() >= i + 1:
return torch.device(f'cuda:{i}')
return torch.device('cpu')
def try_all_gpus(): #@save
"""返回所有可用的GPU,如果没有GPU,则返回[cpu(),]"""
devices = [torch.device(f'cuda:{i}') for i in range(torch.cuda.device_count())]
return devices if devices else [torch.device('cpu')]
try_gpu(), try_gpu(10), try_all_gpus()
(device(type='cuda', index=0), device(type='cpu'), [device(type='cuda', index=0), device(type='cuda', index=1), device(type='cuda', index=2)])
5.6.2 张量与GPU¶
我们可以查询张量所在的设备。 默认情况下,张量是在CPU上创建的。
x = torch.tensor([1, 2, 3])
x.device
device(type='cpu')
需要注意的是,无论何时我们要对多个项进行操作, 它们都必须在同一个设备上。 例如,如果我们对两个张量求和, 我们需要确保两个张量都位于同一个设备上, 否则框架将不知道在哪里存储结果,甚至不知道在哪里执行计算。
存储在GPU上¶
有几种方法可以在GPU上存储张量。
例如,我们可以在创建张量时指定存储设备。接下来,我们在第一个gpu
上创建张量变量X
。
在GPU上创建的张量只消耗这个GPU的显存。
我们可以使用nvidia-smi
命令查看显存使用情况。
一般来说,我们需要确保不创建超过GPU显存限制的数据。
X = torch.ones(2, 3, device=try_gpu())
X
tensor([[1., 1., 1.], [1., 1., 1.]], device='cuda:0')
假设我们至少有两个GPU,下面的代码将在第二个GPU上创建一个随机张量。
Y = torch.rand(2, 3, device=try_gpu(1))
Y
tensor([[0.6250, 0.1202, 0.0901], [0.8579, 0.8865, 0.8197]], device='cuda:1')
复制¶
如果我们要计算X + Y
,我们需要决定在哪里执行这个操作。
例如,如下图所示,
我们可以将X
传输到第二个GPU并在那里执行操作。
不要简单地X
加上Y
,因为这会导致异常,
运行时引擎不知道该怎么做:它在同一设备上找不到数据会导致失败。
由于Y
位于第二个GPU上,所以我们需要将X
移到那里,
然后才能执行相加运算。
Z = X.cuda(1)
print(X)
print(Z)
tensor([[1., 1., 1.], [1., 1., 1.]], device='cuda:0') tensor([[1., 1., 1.], [1., 1., 1.]], device='cuda:1')
现在数据在同一个GPU上(Z
和Y
都在),我们可以将它们相加。
Y + Z
tensor([[1.6250, 1.1202, 1.0901], [1.8579, 1.8865, 1.8197]], device='cuda:1')
假设变量Z
已经存在于第二个GPU上。
如果我们还是调用Z.cuda(1)
会发生什么?
它将返回Z
,而不会复制并分配新内存。
Z.cuda(1) is Z
True
旁注¶
人们使用GPU来进行机器学习,因为单个GPU相对运行速度快。 但是在设备(CPU、GPU和其他机器)之间传输数据比计算慢得多。 这也使得并行化变得更加困难,因为我们必须等待数据被发送(或者接收), 然后才能继续进行更多的操作。 这就是为什么拷贝操作要格外小心。 根据经验,多个小操作比一个大操作糟糕得多。 此外,一次执行几个操作比代码中散布的许多单个操作要好得多。 如果一个设备必须等待另一个设备才能执行其他操作, 那么这样的操作可能会阻塞。
最后,当我们打印张量或将张量转换为NumPy格式时, 如果数据不在内存中,框架会首先将其复制到内存中, 这会导致额外的传输开销。 更糟糕的是,它现在受制于全局解释器锁,使得一切都得等待Python完成。
5.6.3 神经网络与GPU¶
类似地,神经网络模型可以指定设备。 下面的代码将模型参数放在GPU上。
net = nn.Sequential(nn.Linear(3, 1))
net = net.to(device=try_gpu())
在接下来的几章中, 我们将看到更多关于如何在GPU上运行模型的例子, 因为它们将变得更加计算密集。
当输入为GPU上的张量时,模型将在同一GPU上计算结果。
net(X)
tensor([[-1.4250], [-1.4250]], device='cuda:0', grad_fn=<AddmmBackward0>)
让我们确认模型参数存储在同一个GPU上。
net[0].weight.data.device
device(type='cuda', index=0)
总之,只要所有的数据和参数都在同一个设备上, 我们就可以有效地学习模型。 在下面的章节中,我们将看到几个这样的例子。
小结¶
- 我们可以指定用于存储和计算的设备,例如CPU或GPU。默认情况下,数据在主内存中创建,然后使用CPU进行计算。
- 深度学习框架要求计算的所有输入数据都在同一设备上,无论是CPU还是GPU。
- 不经意地移动数据可能会显著降低性能。一个典型的错误如下:计算GPU上每个小批量的损失,并在命令行中将其报告给用户(或将其记录在NumPy
ndarray
中)时,将触发全局解释器锁,从而使所有GPU阻塞。最好是为GPU内部的日志分配内存,并且只移动较大的日志。
练习¶
- 尝试一个计算量更大的任务,比如大矩阵的乘法,看看CPU和GPU之间的速度差异。再试一个计算量很小的任务呢?
- 我们应该如何在GPU上读写模型参数?
- 测量计算1000个$100 \times 100$矩阵的矩阵乘法所需的时间,并记录输出矩阵的Frobenius范数,一次记录一个结果,而不是在GPU上保存日志并仅传输最终结果。
- 测量同时在两个GPU上执行两个矩阵乘法与在一个GPU上按顺序执行两个矩阵乘法所需的时间。提示:应该看到近乎线性的缩放。
本文总阅读量次