给大家整理了pytorch实例相关的编程文章，网友隆信然根据主题投稿了本篇教程内容，涉及到pytorch、GPU、训练实例、关于pytorch多GPU训练实例与性能对比分析相关内容，已被173网友关注，相关难点技巧可以阅读下方的电子资料。
关于pytorch多GPU训练实例与性能对比分析
以下实验是我在百度公司实习的时候做的，记录下来留个小经验。
多GPU训练
cifar10_97.23 使用 run.sh 文件开始训练
cifar10_97.50 使用 run.4GPU.sh 开始训练
在集群中改变GPU调用个数修改 run.sh 文件
nohup srun --job-name=cf23 $pt --gres=gpu:2 -n1 bash cluster_run.sh $cmd 2>&1 1>>log.cf50_2GPU &
修改 –gres=gpu:2 即可
Python 文件代码修改
parser.add_argument('--batch_size', type=int, default=96*2, help='batch size')
修改对应 batch size 大小，保证每块GPU获得等量的训练数据，因为batch_size的改变会影响训练精度
最容易实现的单GPU训练改为多GPU训练代码
单GPU：logits, logits_aux = model(input)
多GPU：
if torch.cuda.device_count()>1:#判断是否能够有大于一的GPU资源可以调用 logits, logits_aux =nn.parallel.data_parallel(model,input) else: logits, logits_aux = model(input)
缺点：不是性能最好的实现方式
优点：代码嵌入适应性强，不容易报错
性能分析
该图为1到8GPU训练cifar10——97.23网络的实验对比
可以看到单核训练600轮需要53小时、双核训练600轮需要26小时、四核16、六核14、八核13。
在可运行7小时的GPU上的对比实验：单核跑完83轮、双核跑完163轮、四核跑完266轮
结论：性价比较高的是使用4～6核GPU进行训练，但是多GPU训练对于单GPU训练有所差异，训练的准确率提升会有所波动，目前发现的是负面的影响。
以上这篇关于pytorch多GPU训练实例与性能对比分析就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持码农之家。
