主頁 >  其他 > PyTorch多卡分布式訓練DistributedDataParallel 使用方法

PyTorch多卡分布式訓練DistributedDataParallel 使用方法

2022-02-08 07:26:39 其他

PyTorch多卡分布式訓練DistributedDataParallel 使用方法

目錄

PyTorch多卡分布式訓練DistributedDataParallel 使用方法

1.DP模式和DP模式

(1)單行程多GPU訓練模式:DP模式

(2)多行程多GPU訓練模式：DDP模式

2.Pytorch分布式訓練方法

3.Pytorch-Base-Trainer(PBT)分布式訓練工具

(1) 工具介紹

(2) 安裝

(3)使用方法

4.Example: 構建自己的分類Pipeline

5.可視化

【尊重原則，轉載請注明出處】：https://panjinquan.blog.csdn.net/article/details/122702287

1.DP模式和DP模式

Pytorch多卡訓練有兩種方式，一種是單行程多GPU訓練模式(single process multi-gpus)，另一種的多行程多卡模式(multi-processes multi-gpus)

(1)單行程多GPU訓練模式:DP模式

Pytorch通過nn.DataParallel可實作多卡訓練模型（簡稱DP模式），這是single process multi-gpus 的多卡并行機制，這種并行模式下并行的多卡都是由一個行程進行控制，其缺點有：

  1. 盡管 DataLoader 可以指定 num_worker，增加負責加載資料的執行緒數量，但是執行緒的資源受限于父行程，且由于python的GIL機制，不能利用好多核的并行優勢
  2. 模型在 gpu 群組中進行初始化與廣播程序依賴單一行程的串行操作
  3. DP模式相當于將多個GPU卡合并為一個卡進行訓練

盡管DataParallel更易于使用（只需簡單包裝單GPU模型），但由于使用一個行程來計算模型權重，然后在每個批處理期間將分發到每個GPU，因此通信很快成為一個瓶頸，GPU利用率通常很低，而且，nn.DataParallel要求所有的GPU都在同一個節點上（不支持分布式），

(2)多行程多GPU訓練模式：DDP模式

Pytorch通過nn.parallel.DistributedDataParallel可實作多行程多卡訓練模型（也稱DDP模式），這種多卡并行機制的特點/優勢有：

  1. 一個行程一個GPU(當然可以讓每個行程控制多個GPU，但這顯然比每個行程有一個GPU要慢)
  2. 充分利用多核并行的優勢加載資料
  3. 模型在 gpu 群組中進行初始化的程序由各自的行程負責調度
  4. 代碼可以無縫切換單機多卡與多機多卡訓練，因為此時單機單卡成為了單機多卡/多機多卡并行下的一個特例
  5. GPU可以都在同一個節點上，也可以分布在多個節點上，每個行程都執行相同的任務，并且每個行程都與所有其他行程通信，行程或者說GPU之間只傳遞梯度，這樣網路通信就不再是瓶頸，

在訓練程序中，每個行程從磁盤加載batch資料，并將它們傳遞到其GPU，每一個GPU都有自己的前向程序，然后梯度在各個GPUs間進行All-Reduce，每一層的梯度不依賴于前一層，所以梯度的All-Reduce和后向程序同時計算，以進一步緩解網路瓶頸，在后向程序的最后，每個節點都得到了平均梯度，這樣模型引數保持同步，

這就要求多個行程，甚至多個節點上的多個行程實作同步并通信，Pytorch通過distributed.init_process_group函式來實作這一點，他需要知道行程0位置以便所有行程都可以同步，以及預期的行程總數，每個行程都需要知道行程總數及其在行程中的順序，以及使用哪個GPU，通常將行程總數稱為world_size，

Pytorch提供了nn.utils.data.DistributedSampler來為各個行程切分資料，以保證訓練資料不重疊，

nn.DataParallel和nn.distributedataparallel的主要差異可以總結為以下幾點：

  1. DistributedDataParallel支持模型并行，而DataParallel并不支持，這意味如果模型太大單卡顯存不足時只能使用前者；
  2. DataParallel是單行程多執行緒的，只用于單機情況，而DistributedDataParallel是多行程的，適用于單機和多機情況，真正實作分布式訓練；
  3. DistributedDataParallel的訓練更高效，因為每個行程都是獨立的Python解釋器，避免GIL問題，而且通信成本低其訓練速度更快，基本上DataParallel已經被棄用；
  4. 必須要說明的是DistributedDataParallel中每個行程都有獨立的優化器，執行自己的更新程序，但是梯度通過通信傳遞到每個行程，所有執行的內容是相同的；

除了PyTorch官方實作的分布式訓練方案，還有horovod分布式訓練工具，不僅支持PyTorch還支持TensorFlow和MXNet框架，實作起來也是比較容易的，速度方面應該不相上下，

參考資料：PyTorch分布式訓練簡明教程 - 知乎

2.Pytorch分布式訓練方法

分布式訓練一般分為資料并行和模型并行兩種，Pytorch分布式訓練的實作步驟可簡述如下：

  1. 首先在nn.DataParallel(即DP模式下)實作多卡加載資料，訓練模型并除錯成功；這一步是為了保證你的訓練流程正常無BUG，然后就可以開始魔改了
  2. 資料并行(分布式)：DataLoader的樣本采樣器(sampler)修改為分布式采樣器torch_utils.distributed.DistributedSampler
  3. 模型并行(分布式)：將torch.nn.parallel.DistributedDataParallel 代替torch.nn.DataParallel
  4. 為了能夠使用 DistributedDataParallel 需要先進行行程間通訊環境的初始化，torch.distributed.init_process_group()
  5. 為了解決并行訓練中加載到各個 worker/gpu 中的 sub-mini-batch 之間出現 example overlap 問題，還可以配合 torch.utils.data.distributed.DistributedSampler 進行使用
  6. 為了讓行程與 gpu 進行一一匹配，在程式的開頭通過 torch.cuda.set_device 設定目標設備
  7. （可選）為了讓各個 worker/gpu 能有一致的初始值，在程式開頭通過 torch.manual_seed 與 torch.cuda.manual_seed 來初始化亂數種子

所以代碼結構如下：

# filename: distributed_example.py
# import some module
...
...
 
parser = argparse.Argument()
parser.add_argument('--init_method', defalut='env://', type=str)
parser.add_argument('--local_rank', type=int, default=0)
args = parser.parse()
 
import os
# Set master information and NIC
# NIC for communication
os.environ['NCCL_SOCKET_IFNAME'] = 'xxxx'
# set master node address
# recommend setting to ib NIC to gain bigger communication bandwidth
os.environ['MASTER_ADDR'] = '192.168.xx.xx'
# set master node port
# **caution**: avoid port conflict
os.environ['MASTER_PORT'] = '1234'
 
def main():
    # step 1
    # set random seed
    torch.manual_seed(seed)
    torch.cuda.manual_seed(seed)
     
    # step 2
    # set target device
    torch.cuda.set_device(args.local_rank)
 
 
    # step 3
    # initialize process group
    # use nccl backend to speedup gpu communication
    torch.distributed.init_process_group(backend='nccl', init_method=args.init_method)
     
    ...
    ...
    # step 4
    # set distributed sampler
    # the same, you can set distributed sampler for validation set
    train_sampler = torch.utils.data.distributed.DistributedSampler(
        dataset_train)
    train_loader = torch.utils.data.DataLoader(
        dataset_train, batch_size=BATCH_SIZE, sampler=train_sampler, pin_memory=PIN_MEMORY,
        num_workers=NUM_WORKERS
    )
     
    ...
    ...
    # step 5
    # initialize model 
    model = resnet50()
    model.cuda()
     
    # step 6
    # wrap model with distributeddataparallel
    # map device with model process, and we bind process n with gpu n(n=0,1,2,3...) by default.
    model = torch.nn.parallel.DistributedDataParallel(model, device_ids=[args.local_rank], output_device=args.local_rank)
     
    ...
    ...
    for epoch in range(epochs):
        # step 7
        # update sampler with epoch
        train_sampler.set_epoch(epoch)
         
        # then do whatever you want to do, just like a single device/gpu training program
        ...
        ...

注意：

由于程式開頭采用了 torch.cuda.set_device() 指定了目標的設備，所以后續的操作中如果有涉及要將資料、模型移動到 gpu 中的操作需要改為 model.cuda()、inputs.cuda()，該指令會將物件正確地復制到對應的 cuda 設備中，

如果你執意使用 to 操作，那么注意確保 xx.to('cuda:n') 中的 cuda:n 與目標設備是匹配的，

以多行程方式啟動訓練腳本

你當然可以以 python distributed_example.py 這樣的形式啟動訓練腳本，不過這樣無法觸發多行程，pytorch 為多行程啟動腳本提供了 launch 工具，所以正確的啟動方式是：

python -m torch.distributed.launch --nnodes=<nodes> --nproc_per_node=<process per node> --node_rank=<rank of current node>\
        distributed_example.py --arg1 --arg2 and all other arguments of your trainning script

引數說明：

  • nnodes：指定參與計算的節點數量，默認值為1，單機多卡的訓練中可以不用指定
  • nproc_per_node：指定每個節點中的所要啟動的行程數量，由于行程與 gpu 一一對應，所以這里的數值不能大于系統中所能使用的 gpu 數量
  • node_rank: 指定當前節點在整個系統中的序號，從 0 開始遞增，需要注意的是，在多機多卡訓練中 node_rank == 0 的節點表示 master，所以 node_rank == 0 的節點必須是 MASTER_ADDR 所在的節點，否則多卡間的通信無法正確建立連接，

老實說，【從DP模式升級到DDP的方法】看起來簡單，步驟也不多，但真正要跑起來還是很多地方需要優化的；

這種多行程訓練的方法，每個行程需要分配一個卡進行訓練，這就導致你保存模型，列印Log,測驗資料都變成復雜了，比如會出現多個行程都會列印相同的Log的問題；一般建議你，定義一個主行程，且在主行程中列印Log,保存模型，測驗資料等操作，這樣可以避免上述問題了，

那有沒有一個簡單方法，可以快速實作Pytorch的分布式訓練

有的，我今天就介紹一個我自己整合的Pytorch的分布式訓練工具：Pytorch-Base-Trainer，基于這套工具，你可以簡單配置，即可實作DP或者DDP模式的訓練，而無需關注各種行程間通訊，埠設定等這些復雜的程序，

3.Pytorch-Base-Trainer(PBT)分布式訓練工具

(1) 工具介紹

考慮到深度學習訓練程序都有一套約定成俗的流程，鄙人借鑒Keras開發了一套基礎訓練庫： Pytorch-Base-Trainer(PBT)； 這是一個基于Pytorch開發的基礎訓練庫，支持以下特征：

  • 支持多卡訓練訓練(DP模式)和分布式多卡訓練(DDP模式)，參考build_model_parallel
  • 支持argparse命令列指定引數，也支持config.yaml組態檔
  • 支持最優模型保存ModelCheckpoint
  • 支持自定義回呼函式Callback
  • 支持NNI模型剪枝(L1/L2-Pruner,FPGM-Pruner Slim-Pruner)nni_pruning
  • 非常輕便,安裝簡單

博客介紹：

Pytorch基礎訓練庫Pytorch-Base-Trainer(支持模型剪枝 分布式訓練)_pan_jinquan的博客-CSDN博客考慮到深度學習訓練程序都有一套約定成俗的流程，鄙人借鑒Keras開發了一套基礎訓練庫： Pytorch-Base-Trainer(PBT)； 這是一個基于Pytorch開發的基礎訓練庫，支持以下特征：https://panjinquan.blog.csdn.net/article/details/122662902GitHub地址：

GitHub - PanJinquan/Pytorch-Base-Trainer: Pytorch分布式訓練框架https://github.com/PanJinquan/Pytorch-Base-Trainer

(2) 安裝

  • 原始碼安裝
git clone https://github.com/PanJinquan/Pytorch-Base-Trainer
cd Pytorch-Base-Trainer
bash setup.sh #pip install dist/basetrainer-*.*.*.tar.gz
  • pip安裝
pip install basetrainer
  • 使用NNI 模型剪枝工具，需要安裝NNI
# Linux or macOS
python3 -m pip install --upgrade nni
# Windows
python -m pip install --upgrade nni

(3)使用方法

basetrainer使用方法可以參考example.py,構建自己的訓練器,可通過如下步驟實作：

  • step1: 新建一個類ClassificationTrainer，繼承trainer.EngineTrainer
  • step2: 實作介面
def build_train_loader(self, cfg, **kwargs):
    """定義訓練資料"""
    raise NotImplementedError("build_train_loader not implemented!")


def build_test_loader(self, cfg, **kwargs):
    """定義測驗資料"""
    raise NotImplementedError("build_test_loader not implemented!")


def build_model(self, cfg, **kwargs):
    """定于訓練模型"""
    raise NotImplementedError("build_model not implemented!")


def build_optimizer(self, cfg, **kwargs):
    """定義優化器"""
    raise NotImplementedError("build_optimizer not implemented!")


def build_criterion(self, cfg, **kwargs):
    """定義損失函式"""
    raise NotImplementedError("build_criterion not implemented!")


def build_callbacks(self, cfg, **kwargs):
    """定義回呼函式"""
    raise NotImplementedError("build_callbacks not implemented!")
step3: 在初始化中呼叫build
def __init__(self, cfg):
    super(ClassificationTrainer, self).__init__(cfg)
    ...
    self.build(cfg)
    ...
step4: 實體化ClassificationTrainer,并使用launch啟動分布式訓練
def main(cfg):
    t = ClassificationTrainer(cfg)
    return t.run()


if __name__ == "__main__":
    parser = get_parser()
    args = parser.parse_args()
    cfg = setup_config.parser_config(args)
    launch(main,
           num_gpus_per_machine=len(cfg.gpu_id),
           dist_url="tcp://127.0.0.1:28661",
           num_machines=1,
           machine_rank=0,
           distributed=cfg.distributed,
           args=(cfg,))

4.Example: 構建自己的分類Pipeline

  • basetrainer使用方法可以參考example.py
# 單行程多卡訓練
python example.py --gpu_id 0 1 # 使用命令列引數
python example.py --config_file configs/config.yaml # 使用yaml組態檔
# 多行程多卡訓練(分布式訓練)
python example.py --config_file configs/config.yaml --distributed # 使用yaml組態檔
  • 目標支持的backbone有：resnet[18,34,50,101], ,mobilenet_v2等，詳見backbone等 ，其他backbone可以自定義添加
  • 訓練引數可以通過兩種方法指定: (1) 通過argparse命令列指定 (2)通過config.yaml組態檔，當存在同名引數時，以組態檔為默認值
引數型別參考值說明
train_datastr, list-訓練資料檔案，可支持多個檔案
test_datastr, list-測驗資料檔案，可支持多個檔案
work_dirstrwork_space訓練輸出作業空間
net_typestrresnet18backbone型別,{resnet,resnest,mobilenet_v2,...}
input_sizelist[128,128]模型輸入大小[W,H]
batch_sizeint32batch size
lrfloat0.1初始學習率大小
optim_typestrSGD優化器，{SGD,Adam}
loss_typestrCELoss損失函式
schedulerstrmulti-step學習率調整策略，{multi-step,cosine}
milestoneslist[30,80,100]降低學習率的節點，僅僅scheduler=multi-step有效
momentumfloat0.9SGD動量因子
num_epochsint120回圈訓練的次數
num_warn_upint3warn_up的次數
num_workersint12DataLoader開啟執行緒數
weight_decayfloat5e-4權重衰減系數
gpu_idlist[ 0 ]指定訓練的GPU卡號，可指定多個
log_freqin20顯示LOG資訊的頻率
finetunestrmodel.pthfinetune的模型
use_pruneboolTrue是否進行模型剪枝
progressboolTrue是否顯示進度條
distributedboolFalse是否使用分布式訓練

一個簡單分類例子如下：

# -*-coding: utf-8 -*-
"""
    @Author : panjq
    @E-mail : pan_jinquan@163.com
    @Date   : 2021-07-28 22:09:32
"""
import os
import sys

sys.path.append(os.getcwd())
import argparse
import basetrainer
from torchvision import transforms
from torchvision.datasets import ImageFolder
from basetrainer.engine import trainer
from basetrainer.engine.launch import launch
from basetrainer.criterion.criterion import get_criterion
from basetrainer.metric import accuracy_recorder
from basetrainer.callbacks import log_history, model_checkpoint, losses_recorder, multi_losses_recorder
from basetrainer.scheduler import build_scheduler
from basetrainer.optimizer.build_optimizer import get_optimizer
from basetrainer.utils import log, file_utils, setup_config, torch_tools
from basetrainer.models import build_models

print(basetrainer.__version__)


class ClassificationTrainer(trainer.EngineTrainer):
    """ Training Pipeline """

    def __init__(self, cfg):
        super(ClassificationTrainer, self).__init__(cfg)
        torch_tools.set_env_random_seed()
        cfg.model_root = os.path.join(cfg.work_dir, "model")
        cfg.log_root = os.path.join(cfg.work_dir, "log")
        if self.is_main_process:
            file_utils.create_dir(cfg.work_dir)
            file_utils.create_dir(cfg.model_root)
            file_utils.create_dir(cfg.log_root)
            file_utils.copy_file_to_dir(cfg.config_file, cfg.work_dir)
            setup_config.save_config(cfg, os.path.join(cfg.work_dir, "setup_config.yaml"))
        self.logger = log.set_logger(level="debug",
                                     logfile=os.path.join(cfg.log_root, "train.log"),
                                     is_main_process=self.is_main_process)
        # build project
        self.build(cfg)
        self.logger.info("=" * 60)
        self.logger.info("work_dir          :{}".format(cfg.work_dir))
        self.logger.info("config_file       :{}".format(cfg.config_file))
        self.logger.info("gpu_id            :{}".format(cfg.gpu_id))
        self.logger.info("main device       :{}".format(self.device))
        self.logger.info("num_samples(train):{}".format(self.num_samples))
        self.logger.info("num_classes       :{}".format(cfg.num_classes))
        self.logger.info("mean_num          :{}".format(self.num_samples / cfg.num_classes))
        self.logger.info("=" * 60)

    def build_optimizer(self, cfg, **kwargs):
        """build_optimizer"""
        self.logger.info("build_optimizer")
        self.logger.info("optim_type:{},init_lr:{},weight_decay:{}".format(cfg.optim_type, cfg.lr, cfg.weight_decay))
        optimizer = get_optimizer(self.model,
                                  optim_type=cfg.optim_type,
                                  lr=cfg.lr,
                                  momentum=cfg.momentum,
                                  weight_decay=cfg.weight_decay)
        return optimizer

    def build_criterion(self, cfg, **kwargs):
        """build_criterion"""
        self.logger.info("build_criterion,loss_type:{},num_classes:{}".format(cfg.loss_type, cfg.num_classes))
        criterion = get_criterion(cfg.loss_type, cfg.num_classes, device=self.device)
        return criterion

    def build_train_loader(self, cfg, **kwargs):
        """build_train_loader"""
        self.logger.info("build_train_loader,input_size:{}".format(cfg.input_size))
        transform = transforms.Compose([
            transforms.Resize([int(128 * cfg.input_size[1] / 112), int(128 * cfg.input_size[0] / 112)]),
            transforms.RandomHorizontalFlip(),
            transforms.RandomCrop([cfg.input_size[1], cfg.input_size[0]]),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
        ])
        dataset = ImageFolder(root=cfg.train_data, transform=transform)
        cfg.num_classes = len(dataset.classes)
        cfg.classes = dataset.classes
        loader = self.build_dataloader(dataset, cfg.batch_size, cfg.num_workers, phase="train",
                                       shuffle=True, pin_memory=False, drop_last=True, distributed=cfg.distributed)
        return loader

    def build_test_loader(self, cfg, **kwargs):
        """build_test_loader"""
        self.logger.info("build_test_loader,input_size:{}".format(cfg.input_size))
        transform = transforms.Compose([
            transforms.Resize([int(128 * cfg.input_size[1] / 112), int(128 * cfg.input_size[0] / 112)]),
            transforms.CenterCrop([cfg.input_size[1], cfg.input_size[0]]),
            transforms.ToTensor(),
            transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
        ])
        dataset = ImageFolder(root=cfg.train_data, transform=transform)
        loader = self.build_dataloader(dataset, cfg.batch_size, cfg.num_workers, phase="test",
                                       shuffle=False, pin_memory=False, drop_last=False, distributed=False)
        return loader

    def build_model(self, cfg, **kwargs):
        """build_model"""
        self.logger.info("build_model,net_type:{}".format(cfg.net_type))
        model = build_models.get_models(net_type=cfg.net_type, input_size=cfg.input_size,
                                        num_classes=cfg.num_classes, pretrained=True)
        if cfg.finetune:
            self.logger.info("finetune:{}".format(cfg.finetune))
            state_dict = torch_tools.load_state_dict(cfg.finetune)
            model.load_state_dict(state_dict)
        if cfg.use_prune:
            from basetrainer.pruning import nni_pruning
            sparsity = 0.2
            self.logger.info("use_prune:{},sparsity:{}".format(cfg.use_prune, sparsity))
            model = nni_pruning.model_pruning(model,
                                              input_size=[1, 3, cfg.input_size[1], cfg.input_size[0]],
                                              sparsity=sparsity,
                                              reuse=False,
                                              output_prune=os.path.join(cfg.work_dir, "prune"))
        model = self.build_model_parallel(model, cfg.gpu_id, distributed=cfg.distributed)
        return model

    def build_callbacks(self, cfg, **kwargs):
        """定義回呼函式"""
        self.logger.info("build_callbacks")
        # 準確率記錄回呼函式
        acc_record = accuracy_recorder.AccuracyRecorder(target_names=cfg.classes,
                                                        indicator="Accuracy")
        # loss記錄回呼函式
        loss_record = losses_recorder.LossesRecorder(indicator="loss")
        # Tensorboard Log等歷史記錄回呼函式
        history = log_history.LogHistory(log_dir=cfg.log_root,
                                         log_freq=cfg.log_freq,
                                         logger=self.logger,
                                         indicators=["loss", "Accuracy"],
                                         is_main_process=self.is_main_process)
        # 模型保存回呼函式
        checkpointer = model_checkpoint.ModelCheckpoint(model=self.model,
                                                        optimizer=self.optimizer,
                                                        moder_dir=cfg.model_root,
                                                        epochs=cfg.num_epochs,
                                                        start_save=-1,
                                                        indicator="Accuracy",
                                                        logger=self.logger)
        # 學習率調整策略回呼函式
        lr_scheduler = build_scheduler.get_scheduler(cfg.scheduler,
                                                     optimizer=self.optimizer,
                                                     lr_init=cfg.lr,
                                                     num_epochs=cfg.num_epochs,
                                                     num_steps=self.num_steps,
                                                     milestones=cfg.milestones,
                                                     num_warn_up=cfg.num_warn_up)
        callbacks = [acc_record,
                     loss_record,
                     lr_scheduler,
                     history,
                     checkpointer]
        return callbacks

    def run(self, logs: dict = {}):
        self.logger.info("start train")
        super().run(logs)


def main(cfg):
    t = ClassificationTrainer(cfg)
    return t.run()


def get_parser():
    parser = argparse.ArgumentParser(description="Training Pipeline")
    parser.add_argument("-c", "--config_file", help="configs file", default="configs/config.yaml", type=str)
    # parser.add_argument("-c", "--config_file", help="configs file", default=None, type=str)
    parser.add_argument("--train_data", help="train data", default="./data/dataset/train", type=str)
    parser.add_argument("--test_data", help="test data", default="./data/dataset/val", type=str)
    parser.add_argument("--work_dir", help="work_dir", default="output", type=str)
    parser.add_argument("--input_size", help="input size", nargs="+", default=[224, 224], type=int)
    parser.add_argument("--batch_size", help="batch_size", default=32, type=int)
    parser.add_argument("--gpu_id", help="specify your GPU ids", nargs="+", default=[0], type=int)
    parser.add_argument("--num_workers", help="num_workers", default=0, type=int)
    parser.add_argument("--num_epochs", help="total epoch number", default=50, type=int)
    parser.add_argument("--scheduler", help=" learning scheduler: multi-step,cosine", default="multi-step", type=str)
    parser.add_argument("--milestones", help="epoch stages to decay learning rate", nargs="+",
                        default=[10, 20, 40], type=int)
    parser.add_argument("--num_warn_up", help="num_warn_up", default=3, type=int)
    parser.add_argument("--net_type", help="net_type", default="mobilenet_v2", type=str)
    parser.add_argument("--finetune", help="finetune model file", default=None, type=str)
    parser.add_argument("--loss_type", help="loss_type", default="CELoss", type=str)
    parser.add_argument("--optim_type", help="optim_type", default="SGD", type=str)
    parser.add_argument("--lr", help="learning rate", default=0.1, type=float)
    parser.add_argument("--weight_decay", help="weight_decay", default=0.0005, type=float)
    parser.add_argument("--momentum", help="momentum", default=0.9, type=float)
    parser.add_argument("--log_freq", help="log_freq", default=10, type=int)
    parser.add_argument('--use_prune', action='store_true', help='use prune', default=False)
    parser.add_argument('--progress', action='store_true', help='display progress bar', default=True)
    parser.add_argument('--distributed', action='store_true', help='use distributed training', default=False)
    parser.add_argument('--polyaxon', action='store_true', help='polyaxon', default=False)
    return parser


if __name__ == "__main__":
    parser = get_parser()
    cfg = setup_config.parser_config(parser.parse_args(), cfg_updata=True)
    launch(main,
           num_gpus_per_machine=len(cfg.gpu_id),
           dist_url="tcp://127.0.0.1:28661",
           num_machines=1,
           machine_rank=0,
           distributed=cfg.distributed,
           args=(cfg,))

5.可視化

目前訓練程序可視化工具是使用Tensorboard，使用方法：

tensorboard --logdir=path/to/log/
??
??
??

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/423486.html

標籤：AI

上一篇：Github上10個資料科學和機器學習知識庫

下一篇：智能車淺談——抗干擾技術軟體篇

標籤雲
其他(157675) Python(38076) JavaScript(25376) Java(17977) C(15215) 區塊鏈(8255) C＃(7972) AI(7469) 爪哇(7425) MySQL(7132) html(6777) 基礎類(6313) sql(6102) 熊猫(6058) PHP(5869) 数组(5741) R(5409) Linux(5327) 反应(5209) 腳本語言(PerlPython)(5129) 非技術區(4971) Android(4554) 数据框(4311) css(4259) 节点.js(4032) C語言(3288) json(3245) 列表(3129) 扑(3119) C++語言(3117) 安卓(2998) 打字稿(2995) VBA(2789) Java相關(2746) 疑難問題(2699) 细绳(2522) 單片機工控(2479) iOS(2429) ASP.NET(2402) MongoDB(2323) 麻木的(2285) 正则表达式(2254) 字典(2211) 循环(2198) 迅速(2185) 擅长(2169) 镖(2155) 功能(1967) .NET技术(1958) Web開發(1951) python-3.x(1918) HtmlCss(1915) 弹簧靴(1913) C++(1909) xml(1889) PostgreSQL(1872) .NETCore(1853) 谷歌表格(1846) Unity3D(1843) for循环(1842)

熱門瀏覽
  • 網閘典型架構簡述

    網閘架構一般分為兩種：三主機的三系統架構網閘和雙主機的2+1架構網閘。 三主機架構分別為內端機、外端機和仲裁機。三機無論從軟體和硬體上均各自獨立。首先從硬體上來看，三機都用各自獨立的主板、記憶體及存盤設備。從軟體上來看，三機有各自獨立的作業系統。這樣能達到完全的三機獨立。對于“2+1”系統，“2”分為 ......

    uj5u.com 2020-09-10 02:00:44 more
  • 如何從xshell上傳檔案到centos linux虛擬機里

    如何從xshell上傳檔案到centos linux虛擬機里及：虛擬機CentOs下執行 yum -y install lrzsz命令，出現錯誤：鏡像無法找到軟體包 前言 一、安裝lrzsz步驟 二、上傳檔案 三、遇到的問題及解決方案 總結 前言 提示：其實很簡單，往虛擬機上安裝一個上傳檔案的工具 ......

    uj5u.com 2020-09-10 02:00:47 more
  • 一、SQLMAP入門

    一、SQLMAP入門 1、判斷是否存在注入 sqlmap.py -u 網址/id=1 id=1不可缺少。當注入點后面的引數大于兩個時。需要加雙引號， sqlmap.py -u "網址/id=1&uid=1" 2、判斷文本中的請求是否存在注入 從文本中加載http請求，SQLMAP可以從一個文本檔案中 ......

    uj5u.com 2020-09-10 02:00:50 more
  • Metasploit 簡單使用教程

    metasploit 簡單使用教程 浩先生， 2020-08-28 16:18:25 分類專欄： kail 網路安全 linux 文章標簽： linux資訊安全 編輯 著作權 metasploit 使用教程 前言 一、Metasploit是什么？ 二、準備作業 三、具體步驟 前言 Msfconsole ......

    uj5u.com 2020-09-10 02:00:53 more
  • 游戲逆向之驅動層與用戶層通訊

    驅動層代碼： #pragma once #include <ntifs.h> #define add_code CTL_CODE(FILE_DEVICE_UNKNOWN,0x800,METHOD_BUFFERED,FILE_ANY_ACCESS) /* 更多游戲逆向視頻www.yxfzedu.com ......

    uj5u.com 2020-09-10 02:00:56 more
  • 北斗電力時鐘（北斗授時服務器）讓網路資料更精準

    北斗電力時鐘（北斗授時服務器）讓網路資料更精準 北斗電力時鐘（北斗授時服務器）讓網路資料更精準 京準電子科技官微——ahjzsz 近幾年，資訊技術的得了快速發展，互聯網在逐漸普及，其在人們生活和生產中都得到了廣泛應用，并且取得了不錯的應用效果。計算機網路資訊在電力系統中的應用，一方面使電力系統的運行 ......

    uj5u.com 2020-09-10 02:01:03 more
  • 【CTF】CTFHub 技能樹 彩蛋 writeup

    ?碎碎念 CTFHub：https://www.ctfhub.com/ 筆者入門CTF時時剛開始刷的是bugku的舊平臺，后來才有了CTFHub。 感覺不論是網頁UI設計，還是題目質量，賽事跟蹤，工具軟體都做得很不錯。 而且因為獨到的金幣制度的確讓人有一種想去刷題賺金幣的感覺。 個人還是非常喜歡這個 ......

    uj5u.com 2020-09-10 02:04:05 more
  • 02windows基礎操作

    我學到了一下幾點 Windows系統目錄結構與滲透的作用 常見Windows的服務詳解 Windows埠詳解 常用的Windows注冊表詳解 hacker DOS命令詳解（net user / type /md /rd/ dir /cd /net use copy、批處理 等） 利用dos命令制作 ......

    uj5u.com 2020-09-10 02:04:18 more
  • 03.Linux基礎操作

    我學到了以下幾點 01Linux系統介紹02系統安裝，密碼啊破解03Linux常用命令04LAMP 01LINUX windows： win03 8 12 16 19 配置不繁瑣 Linux：redhat,centos(紅帽社區版)，Ubuntu server,suse unix:金融機構，證券，銀 ......

    uj5u.com 2020-09-10 02:04:30 more
  • 05HTML

    01HTML介紹 02頭部標簽講解03基礎標簽講解04表單標簽講解 HTML前段語言 js1.了解代碼2.根據代碼 懂得挖掘漏洞 （POST注入/XSS漏洞上傳）3.黑帽seo 白帽seo 客戶網站被黑帽植入劫持代碼如何處理4.熟悉html表單 <html><head><title>TDK標題，描述 ......

    uj5u.com 2020-09-10 02:04:36 more
最新发布
  • 2023年最新微信小程式抓包教程

    01 開門見山 隔一個月發一篇文章，不過分。 首先回顧一下《微信系結手機號資料庫被脫庫事件》，我也是第一時間得知了這個訊息，然后跟蹤了整件事情的經過。下面是這起事件的相關截圖以及近日流出的一萬條資料樣本： 個人認為這件事也沒什么，還不如關注一下之前45億快遞資料查詢渠道疑似在近日復活的訊息。 訊息是 ......

    uj5u.com 2023-04-20 08:48:24 more
  • web3 產品介紹：metamask 錢包 使用最多的瀏覽器插件錢包

    Metamask錢包是一種基于區塊鏈技術的數字貨幣錢包，它允許用戶在安全、便捷的環境下管理自己的加密資產。Metamask錢包是以太坊生態系統中最流行的錢包之一，它具有易于使用、安全性高和功能強大等優點。 本文將詳細介紹Metamask錢包的功能和使用方法。 一、 Metamask錢包的功能 數字資 ......

    uj5u.com 2023-04-20 08:47:46 more
  • vulnhub_Earth

    前言 靶機地址->>>vulnhub_Earth 攻擊機ip：192.168.20.121 靶機ip：192.168.20.122 參考文章 https://www.cnblogs.com/Jing-X/archive/2022/04/03/16097695.html https://www.cnb ......

    uj5u.com 2023-04-20 07:46:20 more
  • 從4k到42k，軟體測驗工程師的漲薪史，給我看哭了

    清明節一過，盲猜大家已經無心上班，在數著日子準備過五一，但一想到銀行卡里的余額……瞬間心情就不美麗了。最近，2023年高校畢業生就業調查顯示，本科畢業月平均起薪為5825元。調查一出，便有很多同學表示自己又被平均了。看著這一資料，不免讓人想到前不久中國青年報的一項調查：近六成大學生認為畢業10年內會 ......

    uj5u.com 2023-04-20 07:44:00 more
  • 最新版本 Stable Diffusion 開源 AI 繪畫工具之中文自動提詞篇

    🎈 標簽生成器 由于輸入正向提示詞 prompt 和反向提示詞 negative prompt 都是使用英文，所以對學習母語的我們非常不友好 使用網址：https://tinygeeker.github.io/p/ai-prompt-generator 這個網址是為了讓大家在使用 AI 繪畫的時候 ......

    uj5u.com 2023-04-20 07:43:36 more
  • 漫談前端自動化測驗演進之路及測驗工具分析

    隨著前端技術的不斷發展和應用程式的日益復雜，前端自動化測驗也在不斷演進。隨著 Web 應用程式變得越來越復雜，自動化測驗的需求也越來越高。如今，自動化測驗已經成為 Web 應用程式開發程序中不可或缺的一部分，它們可以幫助開發人員更快地發現和修復錯誤，提高應用程式的性能和可靠性。 ......

    uj5u.com 2023-04-20 07:43:16 more
  • CANN開發實踐：4個DVPP記憶體問題的典型案例解讀

    摘要：由于DVPP媒體資料處理功能對存放輸入、輸出資料的記憶體有更高的要求（例如，記憶體首地址128位元組對齊），因此需呼叫專用的記憶體申請介面，那么本期就分享幾個關于DVPP記憶體問題的典型案例，并給出原因分析及解決方法。 本文分享自華為云社區《FAQ_DVPP記憶體問題案例》，作者：昇騰CANN。 DVPP ......

    uj5u.com 2023-04-20 07:43:03 more
  • msf學習

    msf學習 以kali自帶的msf為例 一、msf核心模塊與功能 msf模塊都放在/usr/share/metasploit-framework/modules目錄下 1、auxiliary 輔助模塊，輔助滲透（埠掃描、登錄密碼爆破、漏洞驗證等） 2、encoders 編碼器模塊，主要包含各種編碼 ......

    uj5u.com 2023-04-20 07:42:59 more
  • Halcon軟體安裝與界面簡介

    1. 下載Halcon17版本到到本地 2. 雙擊安裝包后 3. 步驟如下 1.2 Halcon軟體安裝 界面分為四大塊 1. Halcon的五個助手 1) 影像采集助手：與相機連接，設定相機引數，采集影像 2) 標定助手：九點標定或是其它的標定，生成標定檔案及內參外參，可以將像素單位轉換為長度單位 ......

    uj5u.com 2023-04-20 07:42:17 more
  • 在MacOS下使用Unity3D開發游戲

    第一次發博客，先發一下我的游戲開發環境吧。 去年2月份買了一臺MacBookPro2021 M1pro(以下簡稱mbp)，這一年來一直在用mbp開發游戲。我大致分享一下我的開發工具以及使用體驗。 1、Unity 官網鏈接： https://unity.cn/releases 我一般使用的Apple ......

    uj5u.com 2023-04-20 07:40:19 more

Copyright © 2010-2020 有解無憂