在单机单卡，或者单机多卡无法在有限时间内完成训练的情况下，我们就需要使用多机多卡分布式训练，在多机多卡分布式训练主要存在几个难点：
1、分布式多机多卡集群 2、pytorch多机多卡分布式训练代码 3、多机多卡分布式训练gpu利用率问题 4、cpu/gpu任务分配不均，cpu任务会占用GPU任务
分布式训练集群
为了方便的实现一个pytorch分布式集群，这里直接使用
https://github.com/tencentmusic/cube-studio 开源的云原生一站式机器学习平台。 使用pytorchjob这个模板，填上自己的启动命令和启动worker数目就可以。
分布式原理和代码
基本原则
每个进程的rank是不能一样的，进程总数目是为WORLD_SIZE，master只能是rank=0
主要变更
分布式集群的每个pod，都会提供如下环境变量NCCL_DEBUG=INFONCCL_IB_DISABLE="1"MASTER_PORT="23456"NCCL_SOCKET_IFNAME=eth0MASTER_ADDR=pytorchjob-xxx-master-0WORLD_SIZE=3 # 一共多少个workerRANK=0 # 当前是第几个worker注意：master：RANK=0，worker-0：RANK=1，worker-1：RANK=2# 初始化集群信息if int(os.environ.get('WORLD_SIZE', 1))>1: # 要不专门配置init_method RANK或者WORLD_SIZE 系统会自动识别 dist.init_process_group(backend=args.backend,init_method=None)# 被DDP封装的model的参数的grad才会进行all reduceif is_distributed(): Distributor = nn.parallel.DistributedDataParallel if use_cuda else nn.parallel.DistributedDataParallelCPU model = Distributor(model)# 需要DistributedSampler作为实例传递给DataLoader来配合DDP使用，这样数据集的样本会为每个进程划分，每个进程读取各自的样本。train_sampler=torch.utils.data.distributed.DistributedSampler(train_dataset) # 分布式下set_epochtrain_sampler.set_epoch(epoch)启动方式
直接python启动your_start.py
例如上面的mnist代码
torch.distributed.launch启动
python -m torch.distributed.launch --nproc_per_node=每个worker的卡数量 --nnodes=$WORLD_SIZE --node_rank=$RANK --master_addr=$MASTER_ADDR --master_port=$MASTER_PORT train.py --自己脚本的其他参数
torch.distributed.launch会向你的脚本传递--local_rank参数，同时会透传train.py后面的参数 你的train.py脚本
if __name__ == "__main__": parser.add_argument('--local_rank', type=int, default=0, help='local_rank')world_size = int(os.environ['WORLD_SIZE'])rank = int(os.environ['RANK'])dist.init_process_group('nccl')gpu利用率优化
其中gpu由于是整卡占用，需要调整任务的部分参数和代码，提高gpu显存占用率和gpu使用率
平台监控
通过监控按钮，可以进入查看任务运行的资源使用率，对于资源使用超标，可以手动配置增加资源。
自己监控利用率
watch nvidia-smi或者pip install gpustatwatch --color -n1 gpustat -cpu
gpu利用率低的原因
核心：cpu操作慢，进而阻塞了gpu的计算
可能的原因：数据加载/网络等待/数据预处理/模型保存/loss 计算/评估指标计算/日志打印/指标上报/进度上报
gpu利用率优化
1、数据加载相关
1、存储计算不在同一个城市：数据导入到集群存储
2、磁盘io性能太差：对于临时数据可以将内存映射为磁盘
3、小文件太多，频繁io：合并为大文件处理
4、未启用多进程并行读取数据：pytorch提高num_workers，tf配置num_parallel_calls/num_parallel_reads
5、未启用提前加载机制来实现 CPU 和 GPU 的并行：pytorch配置prefetch_factor，tf配置Dataset.prefetch()
6、未设置共享内存 pin_memory：设置为true
7、每次送入gpu的_size太少：模型固定后，调整 batch_size，尽量增大显存的利用率。然后再调节num_workers提高gpu利用率
2、数据预处理相关
1、数据处理和训练耦合在一起：将数据处理和训练分成两个task，训练中需要的配置之类的全部提前加载到内存，让gpu只做训练任务。或者使用Nvidia DALI，在gpu中做数据处理
3、频繁io操作
1、模型保存太频繁：减少保存模型(checkpoint)的频率
2、tensorboard文件保存太频繁：xxxx
3、日志打印太频繁，频繁cpu/gpu切换：不要打印训练迭代中个人日志
多进程共享gpu
通过多进程共享单机的方式，提高gpu的利用率概念图。
添加多进程共享gpu卡的启动方式
shell方式添加start端
可以添加启动start.sh，启动3个进程。每个进程在原有基础上添加--process_index xx --process_num xx 参数。并放在在后端运行，并在最后wait所有后端程序。
python3 /mnt/pengluan/mytask.py --lr xx ... --process_index 0 --process_num 3 > /process0.file 2>&1 &python3 /mnt/pengluan/mytask.py --lr xx ... --process_index 1 --process_num 3 > /process1.file 2>&1 &python3 /mnt/pengluan/mytask.py --lr xx ... --process_index 2 --process_num 3 > /process2.file 2>&1 &wait
python方式添加start端（透传上层参数）
添加一个start.py，通过start.py启动多个任务进程
import jsonimport argparseimport subprocessimport sysif __name__ == '__main__': # 以下参数列表只是示例，实际使用时请按需自己增删改 arg_parser = argparse.ArgumentParser("多进程启动") process_num=3 python_path="/mnt/pengluan/mytask.py" commands = [["/usr/bin/python3",python_path,"--process_index",str(process_index),"--process_num",str(process_num)]+sys.argv[1:] for process_index in range(process_num)] print(commands) all_process = [subprocess.Popen(command) for command in commands] all_returncode = [process.wait() for process in all_process]原文:https://juejin.cn/post/7099448814263599117