简介 || 什么是 DDP || 单节点多 GPU 训练 || 容错性 || 多节点训练 || minGPT 训练
PyTorch 中的分布式数据并行 - 视频教程#
创建于：2022年9月27日 | 最后更新：2024年11月15日 | 最后验证：2024年11月5日
请跟随下面的视频或在 youtube 上观看。
这一系列的视频教程将引导您通过 DDP 在 PyTorch 中进行分布式训练。
该系列从一个简单的非分布式训练任务开始，到在一个集群中的多台机器上部署训练任务结束。在此过程中，您还将学习如何使用 torchrun 进行容错的分布式训练。
本教程假定您对 PyTorch 中的模型训练有基本的了解。
运行代码#
您将需要多个 CUDA GPU 来运行本教程的代码。通常，这可以在具有多个 GPU 的云实例上完成（本教程使用一个配备 4 个 GPU 的 Amazon EC2 P3 实例）。
教程代码托管在这个 github 仓库中。请克隆该仓库并跟随教程操作！
教程章节#
简介（本页）
什么是 DDP？ 温和地介绍 DDP 在底层的工作原理
单节点多 GPU 训练 在单台机器上使用多个 GPU 训练模型
容错分布式训练 使用 torchrun 使您的分布式训练任务更加稳健
多节点训练 在多台机器上使用多个 GPU 训练模型
使用 DDP 训练 GPT 模型 使用 DDP 训练 minGPT 模型的“真实世界”示例
