---

摘要：多GPU同时训练，能够解决单张GPU显存不足问题，同时加快模型训练。

1. 基本原理

单机多卡训练教程——DP模式

(1）将模型复制到各个GPU中，并将一个batch的数据划分成mini_batch(平均分配） 并分发给每个GPU;
注意:这里的batch_size要大于device数。
(2)各个GPU独自完成mini_batch的前向传播，并把获得的output传递给GPU_0(主GPU) ;
(3) GPU_0整合各个GPU传递过来的output，并计算loss。此时GPU_0可以对这些loss进行一些聚合操作;
(4) GPU_0归并loss之后，并进行后向传播以及梯度下降从而完成模型参数的更新（此时只有GPU_0上的模型参数得到了更新)，GPU_0将更新好的模型参数又传递给其余GPU;

以上就是DP模式下多卡GPU进行训练的方式。其实可以看到GPU_0不仅承担了前向传播的任务，还承担了收集loss，并进行梯度下降。因此在使用DP模式进行单机多卡GPU训练的时候会有一张卡的显存利用会比其他卡更多，那就是你设置的GPU_0。

2. Pytorch进行单机多卡训练步骤

只需要在你的代码中改三个地方就可实现

1. 指定GPU

如上所示，在导入各种库下面使用os.environ["CUDA_VISIBLE_DEVICES"]来指定可识别的GPU，该语句在程序开始前使用。
代码如下：

import torch.nn as nn
import os
os.environ["CUDA_VISIBLE_DEVICES"]= 2,3,1'#指定该程序可以识别的物理GPU编号，这里的你主机上的2号GPU就是训练程序中的主GPUO，这里最好—定要自己指定你自己可以用的gpu号。

2. 更改模型训练方式

平常的模型训练方式只需要model.cuda()语句即可，在单机多卡训练中，只需要在该语句下面添加一行nn.DataParallel语句即可。
代码如下

model.cuda()
model = nn.DataParallel(model，devise =[0,1,2])#在执行该语句之前最好加上model.cuda(),保证你的模型存在GPU上即可

3. 更改权重保存方式

对于数据，我们只需要按照平常的方式使用.cuda()放置在GPU上即可，内部batch的拆分已经被封装在了DataPanallel模块中。要注意的是，由于我们的model被nn.DataPanallel()包裹住了，所以如果想要储存模型的参数，需要使用：model.module.state_dict()的方式才能取出（不能直接是model.state_dict()）
代码如下：

'''
使用单机多卡训练的模型权重保存方式
'''
torch.save(model.module.state_dict(),f'best.pth')  

作为参考，将平常的权重保存方式也写上：

'''
平常的权重保存方式
'''
torch.save(model.state_dict(),f'best.pth')