如何在不同 GPU 上并行随机搜索超参数？

Question

假设我的模型只使用一个 GPU，但虚拟机有 4 个。

如何为这段代码利用所有 GPU？

channel_1_range = [8, 16, 32, 64]
channel_2_range = [8, 16, 32, 64]
kernel_size_1_range = [3, 5, 7]
kernel_size_2_range = [3, 5, 7]
max_count = 40
for count in range(max_count):
    reg = 10**np.random.uniform(-3, 0)
    learning_rate = 10**np.random.uniform(-6, -3)
    channel_1 = channel_1_range[np.random.randint(low=0, high=len(channel_1_range))]
    channel_2 = channel_2_range[np.random.randint(low=0, high=len(channel_2_range))]
    kernel_size_1 = kernel_size_1_range[np.random.randint(low=0, high=len(kernel_size_1_range))]
    kernel_size_2 = kernel_size_2_range[np.random.randint(low=0, high=len(kernel_size_2_range))]

    model = ThreeLayerConvNet(in_channel=3, channel_1=channel_1, kernel_size_1=kernel_size_1, \
        channel_2=channel_2, kernel_size_2=kernel_size_2, num_classes=10)
    optimizer = optim.Adam(model.parameters(), lr=learning_rate)
    engine = Engine(loader_train=loader_train, loader_val=loader_val, device=device, dtype=dtype, print_every=100, \
        verbose=False)
    engine.train(model, optimizer, epochs=1, reg=reg)

    print("Reg: {0:.2E}, LR: {1:.2E}, Ch_1: {2:2} [{4}], Ch_2: {3:2} [{5}], Acc: {6:.2f} [{7:.2f}], {8:.2f} secs". \
         format(reg, learning_rate, channel_1, channel_2, kernel_size_1, kernel_size_2, \
               engine.accuracy, engine.accuracy_train, engine.duration))

一种选择是将其移至独立控制台应用程序，启动 N 个实例（N == GPU 数量）并汇总结果（一个输出文件）。

是否可以直接在 Python 中完成，以便我可以继续使用 jupyter notebook？

Answer 1

在 pytorch 中，您可以将模型分布在不同的 GPU 上。我认为在您的情况下，设备参数允许您指定实际的 GPU：

device1 = torch.device('cuda:0')
device2 = torch.device('cuda:1')
             .
             .
             .
devicen = torch.device('cuda:n')

我不记得确切的细节，但如果我没记错的话，您可能需要通过使用线程或多处理来使您的代码非阻塞（最好使用多处理来确保，GIL 可能会给您带来一些问题否则，如果您充分利用您的流程）。 在您的情况下，这意味着并行化您的 for 循环。例如，让Queue 包含所有模型，然后生成线程/进程，允许您使用它们（其中处理的生成的数量，在队列上工作，每个对应一个 GPU）。

所以要回答你的问题，是的，你可以用纯 Python 来做（我之前做过，所以我 100% 肯定）。您甚至可以让一个 GPU 处理多个模型（但请确保事先正确计算您的 VRAM）。不过，与开始多份工作相比，这是否真的值得。

附带说明一下，如果您将其作为“独立”脚本运行，如果 GPU 数量未自动调整，它可能仍会使用相同的 GPU，否则 PyTorch 可能会尝试使用 DataParallel 分发...