假设我有 2 台机器,每台机器有 4 个 GPU。假设训练算法的每个实例需要 2 个 GPU。 我想运行 4 个进程,每台机器 2 个,每个进程使用 2 个 GPU。
如何让每个进程检索同一台机器上运行的本地进程数? 我可以用
检测
world size
torch.distributed.get_world_size()
和
global rank
与
torch.distributed.get_rank()
但是,鉴于我不想对参数进行硬编码,有没有办法恢复每个节点上运行 2 个进程?这对于我将 GPU 平均分配给每个进程很有用。
示例:假设我知道一台机器有 4 个 GPU,并且上面有 2 个进程,我将分配 GPU
[0, 1]
来处理 local rank
0,GPU [2, 3]
来处理本地等级 1。我知道进程总数,但我无法理解它们是否在同一台机器上,因此我无法决定它们可以使用多少个 GPU。
我需要一个名为
torch.distributed.get_local_world_size()
的函数
torch.cuda.device_count()
本质上是本地世界的大小,可用于确定每个设备上有多少可用的 GPU。如果由于某种原因您无法做到这一点,使用普通 MPI 可能会有所帮助
from mpi4py import MPI
comm = MPI.COMM_WORLD
rank = comm.Get_rank() # device rank - [0,1]
torch.cuda.device(i)
ngpus = torch.cuda.device_count()
print(ngpus, " gpus on machine", i) # here's local world size for each process
但我认为在任何情况下只要调用
torch.cuda.device_count()
就可以工作,而无需添加此依赖项。我是新来的,所以如果可以的话,请告诉我如何改进这个答案。
启动器会在开始时设置环境变量,本地世界大小可以从操作系统环境变量中获取(默认为节点中的 GPU 数量):
# -*- coding: utf-8 -*- import os import torch.distributed as dist import argparse
parser = argparse.ArgumentParser()
parser.add_argument("--local_rank", type=int, default=0)
args = parser.parse_args()
dist.init_process_group('nccl')
local_rank = args.local_rank
local_world_size = os.environ["LOCAL_WORLD_SIZE"]
print(f'{local_rank = }; { local_world_size = }')
运行:python3 -m torch.distributed.launch --nproc_per_node=4 test.py 输出:
local_rank = 0; local_world_size = '4'
local_rank = 3; local_world_size = '4'
local_rank = 1; local_world_size = '4'
local_rank = 2; local_world_size = '4' ```
如果您使用torchrun,您可以使用torchrun设置的环境变量获取局部世界大小。
如果是这样的话,您问题的直接答案是
local_world_size = int(os.environ["LOCAL_WORLD_SIZE"])