使用 DistributedDataParallel (DDP) 进行数据并行

训练大型模型或使用大量数据集时，在单个 GPU 上顺序处理所有数据会很快成为性能瓶颈。数据并行是一种策略，将相同的模型复制到多个处理单元（通常是 GPU）上，每个单元处理输入数据批次的不同子集。尽管 PyTorch 提供了直接的 torch.nn.DataParallel (DP) 模块，但由于 Python 全局解释器锁 (GIL) 的限制以及其梯度聚合的集中式方法，它在性能上常常不足。

为了高效、可扩展的数据并行，特别是在多 GPU 和多节点环境中，torch.nn.parallel.DistributedDataParallel (DDP) 是推荐的方案。DDP 使用多进程，为每个 GPU 分配一个独立的 Python 进程。这绕过了 GIL，实现了真正的并行执行。此外，它采用高效的集合通信操作（如 all-reduce），由 NCCL（适用于 NVIDIA GPU）或 Gloo（适用于 CPU 或 NCCL 不可用时）等后端管理，以直接在 GPU 之间同步梯度，在反向传播期间将通信与计算重叠，以提高性能。

理解 DDP 工作流程

DDP 的核心思想巧妙而强大：

1. 初始化： 使用 torch.distributed.init_process_group 设置分布式环境。每个参与的进程被分配一个唯一的 rank（从 0 到 world_size - 1），它们协调通信，通常通过指定的后端（如 NCCL）。world_size 指的是训练中涉及的进程总数。
2. 模型复制： 模型架构在每个进程（GPU）上完全相同地复制。
3. 数据划分： 输入数据批次被分成更小的分片。每个进程接收一个分片。这通常通过 torch.utils.data.distributed.DistributedSampler 来管理，它确保每个进程在每个 epoch 中看到数据集的独特且不重叠的部分。
4. 前向传播： 每个模型副本独立地对其本地数据分片执行前向传播。
5. 梯度计算： 在反向传播 (loss.backward()) 期间，梯度在每个副本上进行本地计算。
6. 梯度平均： 这是 DDP 的亮点所在。在梯度计算时，DDP 自动介入自动求导引擎。它在后台启动一个 all-reduce 集合操作。此操作汇总所有副本中每个参数的梯度，然后除以 world_size，从而有效地进行平均。结果会分发回所有副本。重要的是，DDP 将通信与梯度计算重叠，从而隐藏了通信延迟。
7. 参数更新： 每个进程上的优化器 (optimizer.step()) 使用相同的平均梯度更新其本地模型副本的参数。因为所有副本都以相同的权重开始并接收相同的平均梯度，它们的参数在整个训练过程中保持同步，更新后无需显式参数广播。

工作流程说明了通过 DistributedSampler 进行数据分片、模型副本上的独立前向/反向传播，以及在每个进程的优化器步骤之前，用于梯度平均的 all-reduce 核心操作。

在实际中实现 DDP

将 DDP 集成到标准 PyTorch 训练脚本中需要进行一些修改：

1. 环境配置： 您需要一种方式来启动多个 Python 进程，每个 GPU 一个。像 torchrun（推荐）或旧的 torch.distributed.launch 这样的标准工具可以处理此任务。它们负责设置 init_process_group 所需的环境变量，例如 MASTER_ADDR、MASTER_PORT、RANK 和 WORLD_SIZE。您还需要确定 local_rank，它通常对应于当前进程应使用的 GPU 索引。

2. 初始化进程组： 在脚本早期，初始化分布式后端：

   import torch
   import torch.distributed as dist
   import os
   
   # 假设环境变量 RANK, WORLD_SIZE, LOCAL_RANK 已由启动器设置
   rank = int(os.environ['RANK'])
   world_size = int(os.environ['WORLD_SIZE'])
   local_rank = int(os.environ['LOCAL_RANK'])
   
   # 初始化进程组
   dist.init_process_group(backend='nccl', # 'nccl' 用于 GPU, 'gloo' 用于 CPU
                           rank=rank,
                           world_size=world_size)
   
   # 为当前进程设置设备
   torch.cuda.set_device(local_rank)
   device = torch.device(f"cuda:{local_rank}")
   

   强烈建议在 NVIDIA GPU 训练中使用 nccl，因为它性能优越。

3. 准备分布式数据加载器： 修改您的数据加载以使用 DistributedSampler。这个采样器确保每个进程获得数据的一个不同部分，且不重叠。

   from torch.utils.data import DataLoader, Dataset
   from torch.utils.data.distributed import DistributedSampler
   
   # 假设 'train_dataset' 是您的 torch.utils.data.Dataset 实例
   train_sampler = DistributedSampler(train_dataset, num_replicas=world_size, rank=rank)
   
   # 重要：shuffle=False 因为 DistributedSampler 处理了洗牌
   # 重要：pin_memory=True 可以加快主机到设备的传输速度
   train_loader = DataLoader(train_dataset,
                             batch_size=per_device_batch_size,
                             sampler=train_sampler,
                             num_workers=num_workers_per_process,
                             pin_memory=True,
                             shuffle=False) # 采样器处理洗牌
   

   请注意，DataLoader 中的 batch_size 现在指的是每个进程的批次大小。所有 GPU 上的总有效批次大小是 per_device_batch_size * world_size。请记住在 DataLoader 中设置 shuffle=False，因为 DistributedSampler 会负责在每个 epoch 中适当地打乱数据。

4. 包装模型： 实例化您的模型并将其移动到当前进程的指定设备上，然后再用 DDP 包装。

   import torch.nn as nn
   from torch.nn.parallel import DistributedDataParallel as DDP
   
   # 实例化您的模型
   model = YourModel().to(device) # 首先将模型移动到正确的 GPU
   
   # 使用 DDP 包装模型
   # device_ids 应包含此进程的单个 GPU ID
   # output_device 应与 device_ids[0] 相同
   model = DDP(model, device_ids=[local_rank], output_device=local_rank)
   

   device_ids 告知 DDP 此进程管理哪个或哪些 GPU（通常只有一个，即 local_rank），output_device 指定模型输出应放置的位置（通常是同一设备）。

5. 训练循环调整： 核心训练循环基本保持不变。主要区别在于 loss.backward() 现在隐式地触发所有进程间的梯度同步。

   optimizer = YourOptimizer(model.parameters(), lr=learning_rate)
   
   for epoch in range(num_epochs):
       # 为采样器设置 epoch，以确保每个 epoch 之间数据正确洗牌
       train_sampler.set_epoch(epoch)
   
       model.train()
       for batch_idx, (data, target) in enumerate(train_loader):
           data, target = data.to(device), target.to(device) # 将数据移动到进程的 GPU
   
           optimizer.zero_grad()
           output = model(data)
           loss = loss_fn(output, target)
   
           loss.backward() # 触发梯度同步
   
           optimizer.step() # 使用平均梯度更新本地副本
   
           if rank == 0 and batch_idx % log_interval == 0: # 只在 rank 0 上记录日志
               print(f"Epoch: {epoch} | Batch: {batch_idx} | Loss: {loss.item()}")
   
       # 验证循环（通常只在 rank 0 上执行或使用分布式采样器）
       # ...
   
   # 清理
   dist.destroy_process_group()
   

   通常的做法是，日志记录、保存检查点或验证等操作主要在一个进程（通常是 rank == 0）上执行，以避免冗余操作和混乱的输出。请记住在每个 epoch 开始时调用 train_sampler.set_epoch(epoch)，以确保在使用 DistributedSampler 时每个 epoch 的数据洗牌不同。最后，在训练结束时调用 dist.destroy_process_group() 来清理资源。

DDP 的注意事项

• 保存与加载： 保存 DDP 模型时，通常只需要一个进程（例如 rank == 0）来保存状态字典。DDP 包装了原始模型，因此保存的状态字典的键会带有 module. 前缀。将状态字典加载回非 DDP 模型时，您需要处理这个前缀，或者通过 model.module.state_dict() 访问底层模型。

  # 保存 (仅在 rank 0 上)
  if rank == 0:
      torch.save(model.module.state_dict(), "model_checkpoint.pt")
  
  # 加载 (在所有 rank 上)
  map_location = {'cuda:%d' % 0: 'cuda:%d' % local_rank} # 映射到当前设备
  checkpoint = torch.load("model_checkpoint.pt", map_location=map_location)
  # 首先创建模型实例
  model_instance = YourModel().to(device)
  # 将状态字典加载到原始模型中
  model_instance.load_state_dict(checkpoint)
  # 然后用 DDP 包装
  ddp_model = DDP(model_instance, device_ids=[local_rank], output_device=local_rank)
  

• 批量归一化： DDP 默认正确处理了跨进程的批量归一化统计信息同步。与 DataParallel 不同，您通常不需要 torch.nn.SyncBatchNorm，尽管在需要时也可以使用。
• 混合精度： DDP 与 torch.cuda.amp（自动混合精度）兼容。在实例化 GradScaler 之后用 DDP 包装模型，但要在训练循环中遵循标准的 AMP 模式。
• find_unused_parameters： 如果您的模型存在在反向传播期间未接收到梯度的参数（例如，由于 forward 方法中的条件逻辑），DDP 的反向传播同步可能会停滞，等待永远不会到达的梯度。在 DDP 构造函数中设置 find_unused_parameters=True 可以解决此问题，但这会增加一些开销。通常最好确保所有需要梯度的参数都参与损失计算（如果可能）。

DistributedDataParallel 提供了一种高性能机制，用于在多个 GPU 和节点上扩展训练。通过了解其多进程架构、梯度平均对集合通信的依赖以及对数据加载和模型包装的必要调整，您可以有效地训练更大、更复杂的模型，比以往任何时候都快。