建设网站价格推广方案流程

DP和DDP是并行训练的两种方法，本文简单介绍它们两者的区别。

一、DP (Data Parallel)

DP是单进程，多线程的，每个线程负责一个GPU，它只适用于一台机器。DP训练的流程如下图所示(图片转载自：https://medium.com/@mlshark/dataparallel-vs-distributeddataparallel-in-pytorch-whats-the-difference-0af10bb43bc7)：

1. 选择一个GPU作为主GPU，后面梯度(gradients)的计算和模型参数的更新都是在主GPU上完成；
2. 每个GPU都会收到初始模型；
3. 训练数据被均分到每个显卡；
4. 每个GPU各自独立地进行前向传播和反向传播计算，得到各自的梯度。除了主GPU，其他GPU都会把梯度拷贝到共享内存中；
5. 主GPU从共享内存中收集gather其他所有GPU的梯度，然后做reduce(mean or sum)计算。得到最后梯度后，对模型参数进行更新，更新后的模型会拷贝到共享内存中，其他GPU会从共享内存中拷贝出(scatter)更新后的模型。至此，一轮训练就结束了，每个GPU上的模型都被更新了而且都保持一致(sync)。

从上面的过程中可以看到，梯度的计算和模型的更新都只在一个GPU上进行，这限制了训练的效率；同时，为了保持各个GPU上的模型同步一致，DP训练涉及大量的内存拷贝。DP训练的这种scatter updated model - gather gradients - per-iteration model copy模式，以及Python中多线程GIL的限制，带来了极大的性能负担，所以即使在一台机器上DP一般都会比DPP训练慢。因此，DP训练只适用于小型或中型模型，不适合大型模型。

二、DDP (Distributed Data Parallel)

DDP是多进程，每个进程负责一个GPU，支持在一台机器或多台机器上并行训练。DDP训练的过程如下：

1. 每个进程都会拿到相同的模型初始状态；
2. 训练数据被均分到每个GPU；
3. 每个GPU各自独立地进行前向传播和反向传播计算，得到各自的梯度；
4. 当前进程的梯度ready后，会异步调用allreduce方法对所有进程的梯度进行平均。此过程完成后，所有进程的梯度都会更新为相同的平均后的梯度；
5. 每个进程独立地更新模型参数。因为每个进程开始时拿到的都是相同的初始模型，每次反向传播后拿到的也是相同的平均梯度，所以每轮训练过后，所有进程中的模型都是保持一致的(sync)。

跟DP相比，DDP中每个进程都是独立地更行模型参数，最大化利用了硬件资源，因此训练更高效快速。

此外DPP比DP有更好的容错机制。如果训练过程中某个GPU出问题了，对于DP，整个训练就会中断甚至失败；对于DDP，它的内置容错机制可以让训练继续下去，最小程度地受到某个GPU断线的影响。

三、其他一些知识点

• DDP中的allreduce具体是怎么对所有GPU的梯度进行平均的，可以参考这篇文章：https://bobondemon.github.io/2020/12/20/Distributed-Data-Parallel-and-Its-Pytorch-Example/
• 在DDP训练中，机器又叫node，GPU又叫device。假设有N个node，每个node上有G个GPU，那么所有的process数量总和(N*G)就是World Size (W)，每个node上所有的process数量总和叫做Local World Size (L)。每个process都会有两个ID：local rank [0, L-1]和global rank [0, w-1]。
• nccl与gloo: 设置DDP环境的时候，通常会见到nccl和gloo两个配置。nccl是专门用于NVIDIA GPU与GPU之间通信的。gloo既支持CPU又支持GPU，但是性能肯定不如nccl。

dist.init_process_group("gloo", rank=rank, world_size=world_size)
dist.init_process_group("nccl", rank=rank, world_size=world_size)

参考整理自：

1. https://www.run.ai/guides/distributed-computing/pytorch-parallel-training
2. https://medium.com/@mlshark/dataparallel-vs-distributeddataparallel-in-pytorch-whats-the-difference-0af10bb43bc7
3. https://pytorch.org/docs/main/notes/ddp.html
4. https://github.com/pytorch/examples/blob/main/distributed/ddp/README.md
5. https://pytorch.org/tutorials/intermediate/ddp_tutorial.html