评价此页
★ ★ ★ ★ ★

多进程最佳实践#

创建于: 2017 年 1 月 16 日 | 最后更新于: 2025 年 6 月 18 日

torch.multiprocessing 是 Python multiprocessing 模块的直接替代品。它支持完全相同的操作，但进行了扩展，使得所有通过 multiprocessing.Queue 发送的张量，其数据将被移动到共享内存中，并且只向另一个进程发送一个句柄。

注意

当一个 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，它也同样共享。当一个没有 torch.Tensor.grad 字段的 Tensor 被发送到另一个进程后，它会创建一个标准的进程专属 .grad Tensor，该张量不会像 Tensor 数据那样自动在所有进程间共享。

这允许实现各种训练方法，如 Hogwild、A3C 或任何其他需要异步操作的方法。

多进程中的“中毒 fork”#

在使用 加速器 的多进程中，可能会出现一个已知问题，称为“中毒 fork”。当加速器的运行时不是 fork 安全的，并且在进程 fork 之前初始化时，就会发生这种情况，导致子进程中出现运行时错误。

为防止此类错误

  • 避免在主进程中 fork 子进程之前初始化加速器。

  • 使用替代的进程启动方法，例如 spawn 或 forkserver，这确保了每个进程的干净初始化。

多进程中的 CUDA#

使用 fork 启动方法时，CUDA 运行时存在 多进程中的“中毒 fork” 中描述的限制；在子进程中使用 CUDA 需要 spawn 或 forkserver 启动方法。

注意

可以通过使用 multiprocessing.get_context(...) 创建上下文或直接使用 multiprocessing.set_start_method(...) 来设置启动方法。

与 CPU 张量不同，发送进程需要保留原始张量，只要接收进程保留该张量的副本。它在底层实现，但要求用户遵循最佳实践，以便程序正确运行。例如，发送进程必须保持活动状态，只要消费进程对张量有引用，并且如果消费进程通过致命信号异常退出，引用计数无法保存您。参见 本节。

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

最佳实践和技巧#

避免和解决死锁#

当生成新进程时，有很多事情可能会出错，其中最常见的死锁原因是后台线程。如果有任何线程持有锁或导入模块，并且调用了 fork，则子进程很可能处于损坏状态并死锁或以其他方式失败。请注意，即使您没有，Python 内置库也有——无需再看 multiprocessing。 multiprocessing.Queue 实际上是一个非常复杂的类，它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，请尝试使用不使用任何额外线程的 SimpleQueue。

我们正在尽最大努力让您轻松并确保这些死锁不会发生，但有些事情超出了我们的控制。如果您有一段时间无法解决的任何问题，请尝试在论坛上联系，我们会看看这是否是我们可以解决的问题。

重用通过队列传递的缓冲区#

请记住，每次将 Tensor 放入 multiprocessing.Queue 时，它都必须移动到共享内存中。如果它已经共享，则没有操作，否则会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向单个进程发送数据，也要让它将缓冲区发送回去——这几乎是免费的，并且可以避免在发送下一批次时进行复制。

异步多进程训练（例如 Hogwild）#

使用 torch.multiprocessing，可以异步训练模型，参数可以始终共享，也可以周期性同步。在第一种情况下，我们建议发送整个模型对象，而在后一种情况下，我们建议只发送 state_dict()。

我们建议使用 multiprocessing.Queue 在进程之间传递各种 PyTorch 对象。例如，在使用 fork 启动方法时，可以继承已在共享内存中的张量和存储，但这很容易出错，应谨慎使用，并且仅供高级用户使用。队列，即使有时它们是较不优雅的解决方案，在所有情况下都能正常工作。

警告

您应该小心那些未受 if __name__ == '__main__' 保护的全局语句。如果使用 fork 以外的启动方法，它们将在所有子进程中执行。

Hogwild#

具体的 Hogwild 实现可以在 示例仓库 中找到，但为了展示代码的整体结构，下面也有一个最小示例

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#

不当的多进程可能导致 CPU 超额订阅，从而导致不同进程争夺 CPU 资源，导致效率低下。

本教程将解释什么是 CPU 超额订阅以及如何避免它。

CPU 超额订阅#

CPU 超额订阅是一个技术术语，指的是系统分配的 vCPU 总数超过硬件上可用的 vCPU 总数的情况。

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

在 示例仓库 中的 Hogwild 实现中查看 CPU 超额订阅的代码示例。

当在 CPU 上使用 4 个进程运行以下训练示例命令时

python main.py --num-processes 4

假设机器上有 N 个 vCPU 可用，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。然而，机器上只有 N 个 vCPU 可用。因此，不同进程将争夺资源，导致频繁的进程切换。

以下观察结果表明存在 CPU 超额订阅

  1. 高 CPU 利用率：通过使用 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，导致进程之间争用 CPU 时间。

  2. 频繁的上下文切换和低系统效率：在 CPU 超额订阅的情况下，进程争夺 CPU 时间，操作系统需要快速在不同进程之间切换以公平分配资源。这种频繁的上下文切换增加了开销并降低了整体系统效率。

避免 CPU 超额订阅#

避免 CPU 超额订阅的一个好方法是适当的资源分配。确保同时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，一个解决方案是为子进程指定适当的线程数。这可以通过在子进程中使用 torch.set_num_threads(int) 函数设置每个进程的线程数来实现。

假设机器上有 N 个 vCPU，将生成 M 个进程，每个进程使用的最大 num_threads 值为 floor(N/M)。为了避免 mnist_hogwild 示例中的 CPU 超额订阅，需要对 示例仓库 中 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 替换为可用的 vCPU 数量，M 替换为选择的进程数量。适当的 num_thread 值将根据具体的任务而有所不同。但是，作为一般指导，num_thread 的最大值应为 floor(N/M)，以避免 CPU 超额订阅。在 mnist_hogwild 训练示例中，避免 CPU 超额订阅后，您可以获得 30 倍的性能提升。

在此页面上
在 GitHub 上编辑
显示源代码
PyTorch 库