2019年年初，ApacheCN组织志愿者翻译了PyTorch1.0版本中文文档（github地址），同时也获得了PyTorch官方授权，我相信已经有许多人在中文文档官网上看到了。不过目前校对还缺人手，希望大家踊跃参与。之前一段时间我们和PyTorch的有关负责人Bruce Lin一直在进行邮件交流。在之后适当的时候，我们会组织志愿者进行其他有关PyTorch的项目，欢迎大家加入我们，关注我们。更希望我们的一系列工作能够对大家有所帮助。
可选：数据并行处理
Note:很高兴看到大家的知乎留言,但是请注意这是官方教程的一部分。如果你觉得翻译有问题,可以直接留言,我可以去中文文档改。但是如果你觉得原文章有问题，请前往PyTorch官网留言，本人并没有修改英文原文的权限。
译者：
bat67校对者：
FontTian
作者： Sung Kim Jenny Kang
在这个教程里，我们将学习如何使用数据并行（DataParallel）来使用多GPU。
PyTorch非常容易的就可以使用GPU，可以用如下方式把一个模型放到GPU上：
device = torch.device("cuda：0")
model.to(device)然后可以复制所有的张量到GPU上：
mytensor = my_tensor.to(device)请注意，调用my_tensor.to(device)返回一个GPU上的my_tensor副本，而不是重写my_tensor。我们需要把它赋值给一个新的张量并在GPU上使用这个张量。
在多GPU上执行前向和反向传播是自然而然的事。然而，PyTorch默认将只是用一个GPU。你可以使用DataParallel让模型并行运行来轻易的让你的操作在多个GPU上运行。
model = nn.DataParallel(model)这是这篇教程背后的核心，我们接下来将更详细的介绍它。
导入和参数
导入PyTorch模块和定义参数。
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
# Parameters 和 DataLoaders
input_size = 5
output_size = 2
batch_size = 30
data_size = 100设备（Device）：
device = torch.device("cuda：0" if torch.cuda.is_available() else "cpu")虚拟数据集
要制作一个虚拟（随机）数据集，只需实现__getitem__。
class RandomDataset(Dataset):
def __init__(self, size, length):
self.len = length
self.data = torch.randn(length, size)
def __getitem__(self, index):
return self.data[index]
def __len__(self):
return self.len
rand_loader = DataLoader(dataset=RandomDataset(input_size, data_size),
batch_size=batch_size, shuffle=True)简单模型
作为演示，我们的模型只接受一个输入，执行一个线性操作，然后得到结果。然而，你能在任何模型（CNN，RNN，Capsule Net等）上使用DataParallel。
我们在模型内部放置了一条打印语句来检测输入和输出向量的大小。请注意批等级为0时打印的内容。
class Model(nn.Module):
# Our model
def __init__(self, input_size, output_size):
super(Model, self).__init__()
self.fc = nn.Linear(input_size, output_size)
def forward(self, input):
output = self.fc(input)
print("\tIn Model： input size", input.size(),
"output size", output.size())
return output创建一个模型和数据并行
这是本教程的核心部分。首先，我们需要创建一个模型实例和检测我们是否有多个GPU。如果我们有多个GPU，我们使用nn.DataParallel来包装我们的模型。然后通过model.to(device)把模型放到GPU上。
model = Model(input_size, output_size)
if torch.cuda.device_count() > 1：
print("Let's use", torch.cuda.device_count(), "GPUs!")
# dim = 0 [30, xxx] -> [10, ...], [10, ...], [10, ...] on 3 GPUs
model = nn.DataParallel(model)
model.to(device)输出：
Let's use 2 GPUs!运行模型
现在我们可以看输入和输出张量的大小。
for data in rand_loader：
input = data.to(device)
output = model(input)
print("Outside： input size", input.size(),
"output_size", output.size())输出：
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2])
Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2])
In Model： input size torch.Size([5, 5]) output size torch.Size([5, 2])
In Model： input size torch.Size([5, 5]) output size torch.Size([5, 2])
Outside： input size torch.Size([10, 5]) output_size torch.Size([10, 2])结果
当我们对30个输入和输出进行批处理时，我们和期望的一样得到30个输入和30个输出，但是若有多个GPU，会得到如下的结果。
2个GPU
若有2个GPU，将看到：
Let's use 2 GPUs! In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) In Model： input size torch.Size([15, 5]) output size torch.Size([15, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([5, 5]) output size torch.Size([5, 2]) In Model： input size torch.Size([5, 5]) output size torch.Size([5, 2]) Outside： input size torch.Size([10, 5]) output_size torch.Size([10, 2])3个GPU
若有3个GPU，将看到：
Let's use 3 GPUs! In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) In Model： input size torch.Size([10, 5]) output size torch.Size([10, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) Outside： input size torch.Size([10, 5]) output_size torch.Size([10, 2])8个GPU
若有8个GPU，将看到：
Let's use 8 GPUs! In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([4, 5]) output size torch.Size([4, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) Outside： input size torch.Size([30, 5]) output_size torch.Size([30, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) In Model： input size torch.Size([2, 5]) output size torch.Size([2, 2]) Outside： input size torch.Size([10, 5]) output_size torch.Size([10, 2])总结
DataParallel自动的划分数据，并将作业发送到多个GPU上的多个模型。DataParallel会在每个模型完成作业后，收集与合并结果然后返回给你。
更多信息，请参考：https://pytorch.org/tutorials/beginner/former_torchies/parallelism_tutorial.html
