评价此页
★ ★ ★ ★ ★

多进程最佳实践#

创建日期: 2017年1月16日 | 最后更新日期: 2025年6月18日

torch.multiprocessing 是 Python 内置 multiprocessing 模块的“即插即用”替代品。它支持完全相同的操作，但对其进行了扩展，因此通过 multiprocessing.Queue 传输的所有张量，其数据将被移至共享内存，并且只会将一个句柄发送到另一个进程。

注意

当 Tensor 被发送到另一个进程时，Tensor 数据是共享的。如果 torch.Tensor.grad 不是 None，它也会被共享。在将一个没有 torch.Tensor.grad 字段的 Tensor 发送到另一个进程后，它会创建一个标准的、特定于进程的 .grad Tensor，它不会像 Tensor 数据那样被自动跨进程共享。

这使得实现各种训练方法成为可能，例如 Hogwild、A3C 或任何需要异步操作的方法。

多进程中的“毒性 fork”#

在使用带 加速器 的多进程时，可能会出现一个称为“毒性 fork”的已知问题。当加速器的运行时不安全且在进程 fork 之前初始化时，就会发生这种情况，从而导致子进程中的运行时错误。

为防止此类错误

  • 在 fork 子进程之前，避免在主进程中初始化加速器。

  • 使用替代的进程启动方法，例如 spawn 或 forkserver，这确保了每个进程都能进行干净的初始化。

多进程中的 CUDA#

在使用 fork 启动方法时，CUDA 运行时存在 多进程中的“毒性 fork” 中描述的限制；必须使用 spawn 或 forkserver 启动方法才能在子进程中使用 CUDA。

注意

启动方法可以通过创建具有 multiprocessing.get_context(...) 的上下文或直接使用 multiprocessing.set_start_method(...) 来设置。

与 CPU 张量不同，发送进程在接收进程保留张量副本时，必须保持原始张量。这在底层实现，但要求用户遵循最佳实践才能使程序正确运行。例如，发送进程必须在消费者进程仍然持有张量引用时保持活动状态，如果消费者进程由于致命信号异常退出，则引用计数无法挽救您。请参阅 本节。

另请参阅: 使用 nn.parallel.DistributedDataParallel 而不是 multiprocessing 或 nn.DataParallel

最佳实践和技巧#

避免和处理死锁#

在生成新进程时，很多事情都可能出错，死锁最常见的原因是后台线程。如果任何线程持有锁或导入了模块，并且调用了 fork，那么子进程很可能处于损坏状态，并会导致死锁或其他故障。请注意，即使您没有，Python 的内置库也会如此——无需查找比 multiprocessing 更远。 multiprocessing.Queue 实际上是一个非常复杂的类，它会生成多个线程用于序列化、发送和接收对象，它们也可能导致上述问题。如果您发现自己处于这种情况，请尝试使用 SimpleQueue，它不使用任何额外的线程。

我们正在尽最大努力让您轻松使用，并确保这些死锁不会发生，但有些事情是我们无法控制的。如果您遇到任何一段时间内无法解决的问题，请尝试在论坛上寻求帮助，我们将看看这是否是我们能够解决的问题。

重用通过 Queue 传递的缓冲区#

请记住，每次将 Tensor 放入 multiprocessing.Queue 时，它都必须被移动到共享内存中。如果它已经是共享的，则为无操作，否则将产生额外的内存复制，这会减慢整个过程。即使您有一个进程池将数据发送到一个进程，也要让它发送回缓冲区——这几乎是免费的，并且可以让您在发送下一批数据时避免复制。

异步多进程训练（例如 Hogwild）#

使用 torch.multiprocessing，可以异步训练模型，参数要么一直共享，要么定期同步。在第一种情况下，我们建议传输整个模型对象，而在后一种情况下，我们建议只传输 state_dict()。

我们建议使用 multiprocessing.Queue 在进程之间传递所有类型的 PyTorch 对象。例如，在使用 fork 启动方法时，可以继承已经在共享内存中的张量和存储，但这非常容易出错，应谨慎使用，并且仅供高级用户使用。Queue，即使它们有时解决方案不那么优雅，但在所有情况下都可以正常工作。

警告

您应该注意不要有全局语句，这些语句没有用 if __name__ == '__main__' 进行保护。如果使用了不同于 fork 的启动方法，它们将在所有子进程中执行。

Hogwild#

Hogwild 的具体实现可以在 examples 仓库 中找到，但为了展示代码的整体结构，下面还有一个最小示例。

import torch.multiprocessing as mp
from model import MyModel

def train(model):
    # Construct data_loader, optimizer, etc.
    for data, labels in data_loader:
        optimizer.zero_grad()
        loss_fn(model(data), labels).backward()
        optimizer.step()  # This will update the shared parameters

if __name__ == '__main__':
    num_processes = 4
    model = MyModel()
    # NOTE: this is required for the ``fork`` method to work
    model.share_memory()
    processes = []
    for rank in range(num_processes):
        p = mp.Process(target=train, args=(model,))
        p.start()
        processes.append(p)
    for p in processes:
        p.join()

多进程中的 CPU#

不恰当的多进程可能导致 CPU 过载，使不同的进程争夺 CPU 资源，从而导致效率低下。

本教程将解释什么是 CPU 过载以及如何避免它。

CPU 过载#

CPU 过载是一个技术术语，指的是分配给系统的 vCPU 总数超过硬件可用 vCPU 总数的情况。

这会导致 CPU 资源严重争用。在这种情况下，进程之间会频繁切换，这会增加进程切换的开销并降低整体系统效率。

在 示例仓库 中找到的 Hogwild 实现的代码示例中，可以看到 CPU 过载。

在 CPU 上使用 4 个进程运行训练示例时，命令如下：

python main.py --num-processes 4

假设机器上有 N 个可用的 vCPU，执行上述命令将生成 4 个子进程。每个子进程将为自己分配 N 个 vCPU，导致需要 4*N 个 vCPU。但是，机器上只有 N 个可用的 vCPU。因此，不同的进程将争夺资源，导致频繁的进程切换。

以下观察结果表明存在 CPU 过载：

  1. 高 CPU 利用率：使用 htop 命令，您可以观察到 CPU 利用率持续很高，通常达到或超过其最大容量。这表明对 CPU 资源的需求超过了可用的物理核心，导致进程之间争夺 CPU 时间。

  2. 频繁的上下文切换导致系统效率低下：在 CPU 过载的情况下，进程会争夺 CPU 时间，操作系统需要快速在不同进程之间切换以公平地分配资源。这种频繁的上下文切换会增加开销并降低整体系统效率。

避免 CPU 过载#

避免 CPU 过载的一个好方法是进行适当的资源分配。确保并发运行的进程或线程数量不超过可用的 CPU 资源。

在这种情况下，一种解决方案是指定子进程中的适当线程数。这可以通过在子进程中使用 torch.set_num_threads(int) 函数来设置每个进程的线程数来实现。

假设机器上有 N 个 vCPU，并且将生成 M 个进程，那么每个进程使用的最大 num_threads 值将是 floor(N/M)。为了避免 mnist_hogwild 示例中的 CPU 过载，需要对 示例仓库 中的 train.py 文件进行以下更改。

def train(rank, args, model, device, dataset, dataloader_kwargs):
    torch.manual_seed(args.seed + rank)

    #### define the num threads used in current sub-processes
    torch.set_num_threads(floor(N/M))

    train_loader = torch.utils.data.DataLoader(dataset, **dataloader_kwargs)

    optimizer = optim.SGD(model.parameters(), lr=args.lr, momentum=args.momentum)
    for epoch in range(1, args.epochs + 1):
        train_epoch(epoch, args, model, device, train_loader, optimizer)

使用 torch.set_num_threads(floor(N/M)) 为每个进程设置 num_thread。其中 N 是可用 vCPU 的数量，M 是选择的进程数。合适的 num_thread 值将因具体任务而异。但是，作为一般指南，num_thread 的最大值应为 floor(N/M) 以避免 CPU 过载。在 mnist_hogwild 训练示例中，在避免 CPU 过载后，可以实现 30 倍的性能提升。

在此页面上
在 GitHub 上编辑
显示源代码
PyTorch 库